Come per andare a prendere un URL non ASCII con Python urlopen?
-
10-10-2019 - |
Domanda
ho bisogno di recuperare i dati da un URL con caratteri non-ASCII, ma urllib2.urlopen rifiuta di aprire la risorsa e rilanci:
UnicodeEncodeError: 'ascii' codec can't encode character u'\u0131' in position 26: ordinal not in range(128)
So che l'URL non è conforme agli standard, ma non ho alcuna possibilità di cambiarlo.
Qual è il modo per accedere a una risorsa indicato da un URL che contiene caratteri non-ASCII utilizzando Python?
modifica In altre parole, può / come urlopen aprire un URL del tipo:
http://example.org/Ñöñ-ÅŞÇİİ/
Soluzione
URI In senso stretto non possono contenere caratteri non ASCII; quello che ci hai è un IRI .
Per convertire un IRI ad un ASCII URI:
-
caratteri non-ASCII nella parte hostname di indirizzo devono essere codificati utilizzando il Punycode basata su algoritmo IDNA;
-
caratteri non ASCII nel percorso, e la maggior parte delle altre parti dell'indirizzo devono essere codificati con UTF-8 e% -encoding, come per la risposta di Ignacio.
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'
(Tecnicamente questo non è ancora abbastanza buono abbastanza, nel caso generale, perché urlparse
non si divide via qualsiasi prefisso o suffisso user:pass@
:port
sul nome host. Solo la parte hostname dovrebbe essere codificato IDNA. E 'più facile codificare con una normale urllib.quote
e .encode('idna')
al momento si sta costruendo un URL che avere a tirare un IRI a parte).
Altri suggerimenti
Python 3 ha le librerie per gestire questa situazione. Uso
urllib.parse.urlsplit
di dividere l'URL nei suoi componenti, e
urllib.parse.quote
correttamente preventivo / sfuggire ai caratteri Unicode
e urllib.parse.urlunsplit
a unirsi di nuovo insieme.
>>> 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
In python3, utilizzare la funzione urllib.parse.quote
sulla corda non 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)
Codifica il unicode
a UTF-8, quindi la codifica URL.
Utilizzare il metodo iri2uri
di httplib2
. Fa la stessa cosa da Bobin (è lui / lei l'autore di questo?)
E 'più complessa di quanto la risposta accettato di @ bobince suggerisce:
- netloc deve essere codificato usando IDNA;
- non-ascii percorso URL deve essere codificato in UTF-8 e poi cento escape;
- parametri di query non-ASCII deve essere codificato per la codifica di un URL della pagina è stato estratto da (o per gli usi del server di codifica), allora per cento di escape.
Questo è come funzionano tutti i browser; si precisa in https://url.spec.whatwg.org/ - vedere questo esempio . implementazione un pitone può essere trovato in w3lib (Questa è la libreria Scrapy sta usando); vedi 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>")
Un modo semplice per verificare se un URL sfuggire implementazione non è corretto / incompleto è quello di verificare se fornisce 'pagina encoding' argomento o no.
Per chi non è in funzione strettamente urllib, una pratica alternativa è href="http://docs.python-requests.org/en/master/" richieste , che maniglie Iris "out of the box".
Per esempio, con http://bücher.ch
:
>>> import requests
>>> r = requests.get(u'http://b\u00DCcher.ch')
>>> r.status_code
200
In base a risposta @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
funziona! infine
I non ha potuto evitare da questo strano personaggi, ma alla fine ho venire attraverso di esso.
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")