Python Urlopenで非ASCII URLを取得するにはどうすればよいですか?
-
10-10-2019 - |
質問
ASSASCII以外の文字を使用してURLからデータを取得する必要がありますが、urllib2.urlopenはリソースの開きを拒否し、上昇します。
UnicodeEncodeError: 'ascii' codec can't encode character u'\u0131' in position 26: ordinal not in range(128)
URLは標準に準拠していないことを知っていますが、変更する機会はありません。
Pythonを使用して非ASCII文字を含むURLが指し示すリソースにアクセスする方法は何ですか?
編集: 言い換えれば、urlopenがurlを開くことができます。
http://example.org/Ñöñ-ÅŞÇİİ/
解決
厳密に言えば、ウリスは非ASCII文字を含めることはできません。あなたがそこに持っているものはあります IRI.
IRIを単純なASCII URIに変換するには:
アドレスのホスト名部分の非ASCII文字は、 パニコード- ベースのIDNAアルゴリズム。
パス内の非ASCII文字、およびアドレスの他の部分のほとんどは、イグナシオの答えに従って、UTF-8および%エンコードを使用してエンコードする必要があります。
それで:
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'
(技術的には、一般的なケースではまだ十分ではありません urlparse
何も分裂しません user:pass@
プレフィックスまたは :port
ホスト名の接尾辞。ホスト名パーツのみがIDNAエンコードされる必要があります。通常の使用を使用してエンコードする方が簡単です urllib.quote
と .encode('idna')
IRIを引き離す必要があるよりも、URLを構築している時点で。)
他のヒント
Python 3には、この状況を処理するライブラリがあります。使用するurllib.parse.urlsplit
URLをそのコンポーネントに分割しますurllib.parse.quote
Unicode文字を適切に引用/逃がす urllib.parse.urlunsplit
一緒に参加します。
>>> 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
Python3では、を使用します urllib.parse.quote
非ASCII文字列の関数:
>>> from urllib.request import urlopen
>>> from urllib.parse import quote
>>> chinese_wikipedia = 'http://zh.wikipedia.org/wiki/Wikipedia:' + quote('首页')
>>> urlopen(chinese_wikipedia)
をエンコードします unicode
UTF-8に、次にURL-Encode。
使用する iri2uri
の方法 httplib2
. 。それはボビンと同じものを作ります(彼/彼女はそれの著者ですか?)
それは受け入れられた @ボビンスの答えよりも複雑です:
- NetlocはIDNAを使用してエンコードする必要があります。
- 非ASCII URLパスは、UTF-8にエンコードし、その後パーセントエスケープにエンコードする必要があります。
- 非ASCIIクエリパラメーターは、ページURLのエンコードにエンコードされている必要があります(またはエンコーディングサーバーの使用)から抽出され、その後パーセントエスケープです。
これがすべてのブラウザの動作です。で指定されています https://url.spec.whatwg.org/ - これを参照してください 例. 。 Pythonの実装はW3LIBにあります(これはスクラピーが使用しているライブラリです)。見る 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>")
URLが実装を逃がすかどうかを確認する簡単な方法は、「ページエンコード」引数を提供するかどうかを確認することです。
厳密にurllibに依存していない人にとっては、1つの実用的な選択肢は リクエスト, 、「箱から出して」アイリスを処理します。
たとえば、 http://bücher.ch
:
>>> import requests
>>> r = requests.get(u'http://b\u00DCcher.ch')
>>> r.status_code
200
@darkfelineの回答に基づいて:
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
働く!ついに
私はこの奇妙なキャラクターから避けることができませんでしたが、最後に私はそれを通り抜けます。
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")