python自动解析URL参数，让你的爬虫更加丝滑~

可以叫我才哥

发布于 2021-08-05 15:16:46

3.6K0

发布于 2021-08-05 15:16:46

文章被收录于专栏：可以叫我才哥可以叫我才哥

大家好，我是才哥。

今天我们介绍一款python标准库urllib.parse，这玩意主要用于解析URL，即将URL字符串分割成其组件，或者将URL组件组合成一个URL字符串。

我们在写爬虫的时候，往往会分析真实URL地址的一些规律，找出它的参数组件，然后组合成字典等格式的参数，在进行数据请求的时候代入。

记得我之前都是在开发者模式下，找到参数部分，然后拷贝到本地，手动改写为字典参数的形式来着。现在，我们可以试着用这个标准库进行自动化处理，直接复制Request URL的地址，然后解析。

1.先看一个例子

我们以网易财经沪深行情为例，在开发者模式下发现真实请求地址如下，参数蛮多的：

请求参数

1.1. urlparse方法

这里我们先介绍urlparse方法，返回的是包含6个元素的元组。

from urllib.parse import urlparse

url = 'http://quotes.money.163.com/hs/service/diyrank.php?host=http%3A%2F%2Fquotes.money.163.com%2Fhs%2Fservice%2Fdiyrank.php&page=1&query=PLATE_IDS%3Ahy013000&fields=NO%2CSYMBOL%2CNAME%2CPRICE%2CPERCENT%2CUPDOWN%2CFIVE_MINUTE%2COPEN%2CYESTCLOSE%2CHIGH%2CLOW%2CVOLUME%2CTURNOVER%2CHS%2CLB%2CWB%2CZF%2CPE%2CMCAP%2CTCAP%2CMFSUM%2CMFRATIO.MFRATIO2%2CMFRATIO.MFRATIO10%2CSNAME%2CCODE%2CANNOUNMT%2CUVSNEWS&sort=PERCENT&order=desc&count=24&type=query'
o = urlparse(url)
o

输出结果如下：

ParseResult(scheme='http', netloc='quotes.money.163.com', path='/hs/service/diyrank.php', params='', query='host=http%3A%2F%2Fquotes.money.163.com%2Fhs%2Fservice%2Fdiyrank.php&page=1&query=PLATE_IDS%3Ahy013000&fields=NO%2CSYMBOL%2CNAME%2CPRICE%2CPERCENT%2CUPDOWN%2CFIVE_MINUTE%2COPEN%2CYESTCLOSE%2CHIGH%2CLOW%2CVOLUME%2CTURNOVER%2CHS%2CLB%2CWB%2CZF%2CPE%2CMCAP%2CTCAP%2CMFSUM%2CMFRATIO.MFRATIO2%2CMFRATIO.MFRATIO10%2CSNAME%2CCODE%2CANNOUNMT%2CUVSNEWS&sort=PERCENT&order=desc&count=24&type=query', fragment='')

我们可以看到，解析出来的组件一共6种属性，分别是scheme、netloc、path、params、query和fragment。

以下是URL解析后的属性介绍：

属性	索引	值	值（如果不存在）
scheme	0	URL协议	scheme 参数
netloc	1	网络位置部分	空字符串
path	2	分层路径	空字符串
params	3	最后路径元素的参数	空字符串
query	4	查询组件	空字符串
fragment	5	片段识别	空字符串
username		用户名	None
password		密码	None
hostname		主机名（小写）	None
port		端口号为整数（如果存在）	None

这些属性都可以直接访问：

o.query # 查询组件参数，一般也就是我们发现有变化规律的地方，需要构建成字典参数一类

输出为：

'host=http%3A%2F%2Fquotes.money.163.com%2Fhs%2Fservice%2Fdiyrank.php&page=1&query=PLATE_IDS%3Ahy013000&fields=NO%2CSYMBOL%2CNAME%2CPRICE%2CPERCENT%2CUPDOWN%2CFIVE_MINUTE%2COPEN%2CYESTCLOSE%2CHIGH%2CLOW%2CVOLUME%2CTURNOVER%2CHS%2CLB%2CWB%2CZF%2CPE%2CMCAP%2CTCAP%2CMFSUM%2CMFRATIO.MFRATIO2%2CMFRATIO.MFRATIO10%2CSNAME%2CCODE%2CANNOUNMT%2CUVSNEWS&sort=PERCENT&order=desc&count=24&type=query'

1.2. urlsplit方法

urlsplit方法和上面的urlparse方法其实差不多，区别和英文名称类似，一个是拆分(split)、一个是解析(parse)。从返回的结果来看，是5个元素，不包含params(最后路径元素的参数)。

from urllib.parse import urlsplit

urlsplit(url)

输出结果如下：

SplitResult(scheme='http', netloc='quotes.money.163.com', path='/hs/service/diyrank.php', query='host=http%3A%2F%2Fquotes.money.163.com%2Fhs%2Fservice%2Fdiyrank.php&page=1&query=PLATE_IDS%3Ahy013000&fields=NO%2CSYMBOL%2CNAME%2CPRICE%2CPERCENT%2CUPDOWN%2CFIVE_MINUTE%2COPEN%2CYESTCLOSE%2CHIGH%2CLOW%2CVOLUME%2CTURNOVER%2CHS%2CLB%2CWB%2CZF%2CPE%2CMCAP%2CTCAP%2CMFSUM%2CMFRATIO.MFRATIO2%2CMFRATIO.MFRATIO10%2CSNAME%2CCODE%2CANNOUNMT%2CUVSNEWS&sort=PERCENT&order=desc&count=24&type=query', fragment='')

什么时候用它呢？

❝This should generally be used instead of urlparse() if the more recent URL syntax allowing parameters to be applied to each segment of the path portion of the URL is wanted。

大概就是当分层路径包含多个参数的时候吧，如果用urlparse方法，则会出现分层路径path的部分参数跑去了params中。

比如：

from urllib.parse import urlsplit, urlparse

url = 'http://www.xx.com/path1;params1/path2;params2?query=query'
print(urlsplit(url))
print(urlparse(url))

输出结果对比如下：

SplitResult(scheme='http', netloc='www.xx.com', path='/path1;params1/path2;params2', query='query=query', fragment='')
ParseResult(scheme='http', netloc='www.xx.com', path='/path1;params1/path2', params='params2', query='query=query', fragment='')

看到这里，有盆友要问了，”对于我来说，大多数时候只需要知道查询组件query和query之前的整段而已，而且查询组件query需要给我整成字典格式最清晰啦。“

很有道理！！那我们继续看！

2. 查询参数转化为字典

关于将查询组件query转化为字典，我们可以用parse_qs方法。

大家记得o.query 为如下：

'host=http%3A%2F%2Fquotes.money.163.com%2Fhs%2Fservice%2Fdiyrank.php&page=1&query=PLATE_IDS%3Ahy013000&fields=NO%2CSYMBOL%2CNAME%2CPRICE%2CPERCENT%2CUPDOWN%2CFIVE_MINUTE%2COPEN%2CYESTCLOSE%2CHIGH%2CLOW%2CVOLUME%2CTURNOVER%2CHS%2CLB%2CWB%2CZF%2CPE%2CMCAP%2CTCAP%2CMFSUM%2CMFRATIO.MFRATIO2%2CMFRATIO.MFRATIO10%2CSNAME%2CCODE%2CANNOUNMT%2CUVSNEWS&sort=PERCENT&order=desc&count=24&type=query'

我们试试效果：

from urllib.parse import parse_qs

parse_qs(o.query)

输出的结果如下：

{'host': ['http://quotes.money.163.com/hs/service/diyrank.php'],
 'page': ['1'],
 'query': ['PLATE_IDS:hy013000'],
 'fields': ['NO,SYMBOL,NAME,PRICE,PERCENT,UPDOWN,FIVE_MINUTE,OPEN,YESTCLOSE,HIGH,LOW,VOLUME,TURNOVER,HS,LB,WB,ZF,PE,MCAP,TCAP,MFSUM,MFRATIO.MFRATIO2,MFRATIO.MFRATIO10,SNAME,CODE,ANNOUNMT,UVSNEWS'],
 'sort': ['PERCENT'],
 'order': ['desc'],
 'count': ['24'],
 'type': ['query']}

哇，很不错！正是我们所需要的~以后再也不用复制粘贴后手动调整为字典格式啦！

另外，还有parse_qsl方法，可以将查询组件转化为元组组成的列表，大家可以自行演示哈~

3. 获取查询组件前面的部分

作为不专业的我，也不知道应该怎么专业的称呼前面的部分。

感觉吧，直接复制前面部分过来就好了吧。

# 直接复制到 ? 部分就行了
base_url = 'http://quotes.money.163.com/hs/service/diyrank.php?'

4. 所以整个流程就是这样的

大家可以参考《python爬取股票最新数据并用excel绘制树状图》里的代码对比以下代码看下：

import requests
from urllib.parse import parse_qs, urlparse

# 拷贝整体地址过来
url = 'http://quotes.money.163.com/hs/service/diyrank.php?host=http%3A%2F%2Fquotes.money.163.com%2Fhs%2Fservice%2Fdiyrank.php&page=1&query=PLATE_IDS%3Ahy013000&fields=NO%2CSYMBOL%2CNAME%2CPRICE%2CPERCENT%2CUPDOWN%2CFIVE_MINUTE%2COPEN%2CYESTCLOSE%2CHIGH%2CLOW%2CVOLUME%2CTURNOVER%2CHS%2CLB%2CWB%2CZF%2CPE%2CMCAP%2CTCAP%2CMFSUM%2CMFRATIO.MFRATIO2%2CMFRATIO.MFRATIO10%2CSNAME%2CCODE%2CANNOUNMT%2CUVSNEWS&sort=PERCENT&order=desc&count=24&type=query'

# 解析URL
o = urlparse(url)

# 将请求参数部分转化为 字典格式
params = parse_qs(o.query)

# 设置可变参数,这里是页数
page = 2
params['page'] = [page]

# 请求参数前面的部分
base_url = 'http://quotes.money.163.com/hs/service/diyrank.php?'

# 请求数据
r = requests.get(base_url, params=params)
r.json()

请求的数据预览截取

5. 关于urllib.parse的其他操作

路径组合urljoin

In [1]: from urllib.parse import urljoin
   ...: 
   ...: urljoin('http://www.cwi.nl/%7Eguido/Python.html', 'FAQ.html')
Out[1]: 'http://www.cwi.nl/%7Eguido/FAQ.html'

In [2]: urljoin('http://www.cwi.nl/%7Eguido/Python.html', './FAQ.html')
Out[2]: 'http://www.cwi.nl/%7Eguido/FAQ.html'

In [3]: urljoin('http://www.cwi.nl/%7Eguido/Python.html', '../FAQ.html')
Out[3]: 'http://www.cwi.nl/FAQ.html'

将字典转化为查询参数urlencode

其实就是parse_qs的逆向操作：

In [4]: from urllib.parse import urlencode
   ...: 
   ...: query = {
   ...:     'a':1,
   ...:     'b':'bbk'
   ...: }
   ...: 
   ...: urlencode(query)
Out[4]: 'a=1&b=bbk'

字符转义quote和quote_plus

我们可以看到在第一部分例子中，复制出来的网址中有这样一部分：

❝host=http%3A%2F%2Fquotes.money.163.com%2Fhs%2Fservice%2Fdiyrank.php

解析后其实是如下部分，: 变成了%3A ，/变成了%2F

❝http://quotes.money.163.com/hs/service/diyrank.php

这其实就是字符转义了，在实际请求数据的时候，url地址里的一些特殊字符会被转义。

关于转义部分，以后有机会我们详情学习下，大家可以这样看看了解下先：

In [5]: from urllib.parse import quote, quote_plus

In [6]: quote('abc d%e/')
Out[6]: 'abc%20d%25e/'  # 未转义 / 号

In [7]: quote_plus('abc d%e/')
Out[7]: 'abc+d%25e%2F' # 空格转义为了 + 号，且转义了 / 号

quote

解码操作unquote和unquote_plus

这个就是上面的逆操作了：

In [8]: from urllib.parse import unquote, unquote_plus

In [8]: s1 = 'abc+d%25e%2F' 

In [9]: unquote(s1)
Out[9]: 'abc+d%e/'  # 未解码 + 号

In [10]: unquote_plus(s1)
Out[10]: 'abc d%e/' # 解码 + 号 为 空格

In [11]: s2 = 'abc%20d%25e/'

In [12]: unquote(s2)
Out[12]: 'abc d%e/'

In [13]: unquote_plus(s2)
Out[13]: 'abc d%e/'

以上就是本次全部内容，感谢大家查阅观看~

更多详情大家可以参考本文参考资料 ↓↓↓

[参考资料]：