python爬虫 urllib模块url编码处理详解

Tama ·

更新时间:2024-11-15

· 582 次阅读

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url
url = '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.request
import urllib.parse
# 1.指定url
url = '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 urlopen
import urllib.parse
# 1.指定url
url = '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")

您可能感兴趣的文章:Python爬虫 urllib2的使用方法详解python urllib爬虫模块使用解析解决python 3 urllib 没有 urlencode 属性的问题python爬虫之urllib,伪装,超时设置,异常处理的方法Python2和Python3中urllib库中urlencode的使用注意事项python爬虫之urllib3的使用示例对python3 urllib包与http包的使用详解Python3如何对urllib和urllib2进行重构

url编码 urllib python爬虫 Python

1024 个赞