python 爬虫 urllib模块 url编码处理

 

 

 

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")