python爬虫 urllib模块url编码处理详解

Python  /  管理员 发布于 7年前   208

案例：爬取使用搜狗根据指定词条搜索到的页面数据（例如爬取词条为‘周杰伦'的页面数据）

import urllib.request# 1.指定urlurl = 'https://www.sogou.com/web?query=周杰伦''''2.发起请求:使用urlopen函数对指定的url发起请求，该函数返回一个响应对象，urlopen代表打开url'''response = urllib.request.urlopen(url=url)# 3.获取响应对象中的页面数据:read函数可以获取响应对象中存储的页面数据(byte类型的数据值)page_text = response.read()# 4.持久化存储：将爬取的页面数据写入文件进行保存with open("sougou.html","wb") as f:  f.write(page_text)  print("写入数据成功")  f.close()

编码错误

【注意】上述代码中url存在非ascii编码的数据，则该url无效。如果对其发起请求，则会报如下错误：

UnicodeEncodeError: 'ascii' codec can't encode characters in position 15-17: ordinal not in range(128)

url的特性：url不可以存在非ASCII编码字符数据，url必须为ASCII编码的数据值。所以我们在爬虫代码中编写url时，如果url中存在非ASCII编码的数据值，则必须对其进行ASCII编码后，该url方可被使用。

上面的“周杰伦” 不是ASCII编码字符数据，所以url就会变成无效的url，不符合url特性，所以报错误

所以必须对url中的非ascii的数据进行ascii的编码，则该url方可被发起请求：

需要用到 urllib.parse

方法 1：使用quote函数

quote函数作用：对url中所存在的特殊字符进行ASCII的编码，把url中的非ascii编码的字符单独取出来，使用quote函数进行转码，

转码之后，把转码的结果拼接到原有的url当中。

import urllib.requestimport urllib.parse# 1.指定urlurl = 'https://www.sogou.com/web?query=周杰伦'word = urllib.parse.quote("周杰伦")# 查看转码后结果print(word)# %E5%91%A8%E6%9D%B0%E4%BC%A6

from urllib.request import urlopenimport urllib.parse# 1.指定urlurl = 'https://www.sogou.com/web?query='# url的特性：url不可以存在非ASCII编码字符数据word = urllib.parse.quote("周杰伦")# 将编码后的数据值拼接回url中url = url+word # 有效url'''2.发起请求:使用urlopen函数对指定的url发起请求，该函数返回一个响应对象，urlopen代表打开url'''response = urlopen(url=url)# 3.获取响应对象中的页面数据:read函数可以获取响应对象中存储的页面数据(byte类型的数据值)page_text = response.read()# 4.持久化存储：将爬取的页面数据写入文件进行保存with open("周杰伦.html","wb") as f:  f.write(page_text)print("写入数据成功")

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。