Cómo buscar una URL no ASCII con Python urlopen?
-
10-10-2019 - |
Pregunta
necesito para obtener los datos desde una URL con caracteres no ASCII, pero urllib2.urlopen se niega a abrir el recurso y aumentos:
UnicodeEncodeError: 'ascii' codec can't encode character u'\u0131' in position 26: ordinal not in range(128)
Sé que la URL no es compatible con las normas, pero no tengo la oportunidad de cambiarlo.
¿Cuál es la manera de acceder a un recurso apuntado por una dirección URL que contiene caracteres no ASCII utilizando Python?
editar En otras palabras, puede / urlopen cómo abrir una URL como:
http://example.org/Ñöñ-ÅŞÇİİ/
Solución
URI En sentido estricto no pueden contener caracteres no ASCII; lo que tienes ahí es un IRI .
Para convertir un IRI a un plano ASCII URI:
-
caracteres no ASCII en la parte nombre de host de la dirección han de ser codificados usando el Punycode basado algoritmo IDNA;
-
caracteres no ASCII en el camino, y la mayoría de las otras partes de la dirección tienen que ser codificado usando UTF-8 y el% que codifica, como por la respuesta de Ignacio.
Así que:
import re, urlparse
def urlEncodeNonAscii(b):
return re.sub('[\x80-\xFF]', lambda c: '%%%02x' % ord(c.group(0)), b)
def iriToUri(iri):
parts= urlparse.urlparse(iri)
return urlparse.urlunparse(
part.encode('idna') if parti==1 else urlEncodeNonAscii(part.encode('utf-8'))
for parti, part in enumerate(parts)
)
>>> iriToUri(u'http://www.a\u0131b.com/a\u0131b')
'http://www.xn--ab-hpa.com/a%c4%b1b'
(Técnicamente esto todavía no es bastante bueno suficiente en el caso general, ya no se divide urlparse
distancia user:pass@
cualquier prefijo o sufijo :port
en el nombre de host. Sólo la parte de host debe ser codificado IDNA. Es más fácil de codificar utilizando urllib.quote
normales y .encode('idna')
en el momento usted está construyendo una URL que tener que tirar de un IRI aparte.)
Otros consejos
Python 3 tiene bibliotecas para manejar esta situación. Utilizar
urllib.parse.urlsplit
para dividir la URL en sus componentes, y
urllib.parse.quote
adecuadamente presupuesto / escapar los caracteres Unicode
y urllib.parse.urlunsplit
para unirse de nuevo juntos.
>>> import urllib.parse
>>> url = 'http://example.com/unicodè'
>>> url = urllib.parse.urlsplit(url)
>>> url = list(url)
>>> url[2] = urllib.parse.quote(url[2])
>>> url = urllib.parse.urlunsplit(url)
>>> print(url)
http://example.com/unicod%C3%A8
En python3, utilice la función urllib.parse.quote
en la cadena no ASCII:
>>> from urllib.request import urlopen
>>> from urllib.parse import quote
>>> chinese_wikipedia = 'http://zh.wikipedia.org/wiki/Wikipedia:' + quote('首页')
>>> urlopen(chinese_wikipedia)
codificar los unicode
a UTF-8, a continuación, URL a codificar.
iri2uri
El uso de httplib2
. Se hace lo mismo que por Bobin (es él / ella el autor de ese?)
Es más complejo que la respuesta aceptada @ de bobince sugiere:
- netloc debe ser codificado usando IDNA;
- ruta URL no ASCII debe ser codificado en UTF-8 y luego por ciento-escapado;
- parámetros de consulta no ASCII debería ser codificada a la codificación de un URL de la página se extrajo a partir de (o a los usos de servidor de codificación), a continuación, escapado por ciento.
Este es el funcionamiento de todos los navegadores; se especifica en https://url.spec.whatwg.org/ - ver esta ejemplo . aplicación A Python se puede encontrar en w3lib (esta es la biblioteca Scrapy está utilizando); ver w3lib.url.safe_url_string :
from w3lib.url import safe_url_string
url = safe_url_string(u'http://example.org/Ñöñ-ÅŞÇİİ/', encoding="<page encoding>")
Una forma sencilla de comprobar si un URL escapar de aplicación es incorrecto / incompleto es comprobar si proporciona página de codificación argumento o no.
Para aquellos que no dependen estrictamente en urllib, una alternativa práctica es href="http://docs.python-requests.org/en/master/" solicitudes , que manijas del iris "fuera de la caja".
Por ejemplo, con http://bücher.ch
:
>>> import requests
>>> r = requests.get(u'http://b\u00DCcher.ch')
>>> r.status_code
200
Basado en respuesta @darkfeline:
from urllib.parse import urlsplit, urlunsplit, quote
def iri2uri(iri):
"""
Convert an IRI to a URI (Python 3).
"""
uri = ''
if isinstance(iri, str):
(scheme, netloc, path, query, fragment) = urlsplit(iri)
scheme = quote(scheme)
netloc = netloc.encode('idna').decode('utf-8')
path = quote(path)
query = quote(query)
fragment = quote(fragment)
uri = urlunsplit((scheme, netloc, path, query, fragment))
return uri
funciona! Finalmente
No podía evitar de este extraño personajes, pero al final he llegado a través de él.
import urllib.request
import os
url = "http://www.fourtourismblog.it/le-nuove-tendenze-del-marketing-tenere-docchio/"
with urllib.request.urlopen(url) as file:
html = file.read()
with open("marketingturismo.html", "w", encoding='utf-8') as file:
file.write(str(html.decode('utf-8')))
os.system("marketingturismo.html")