web-dev-qa-db-ja.com

Python urlopenを使用して非ASCII URLを取得する方法は?

非ASCII文字を含むURLからデータをフェッチする必要がありますが、urllib2.urlopenはリソースを開くことを拒否し、発生します。

UnicodeEncodeError: 'ascii' codec can't encode character u'\u0131' in position 26: ordinal not in range(128)

URLが標準に準拠していないことはわかっていますが、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:言い換えると、/ urlopenは次のようなURLを開くことができますか?

http://example.org/Ñöñ-ÅŞÇİİ/
40
onurmatik

厳密に言うと、URIに非ASCII文字を含めることはできません。 [〜#〜] iri [〜#〜] があります。

IRIをプレーンな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、 Punycode ベースのIDNAアルゴリズムを使用してエンコードする必要があります。

  • パス内の非ASCII文字、およびアドレスの他のほとんどの部分は、Ignacioの回答に従って、UTF-8および%-encodingを使用してエンコードする必要があります。

そう:

_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、urlparseがホスト名の_user:[email protected]_接頭辞または_:port_接尾辞を分割しないため、これは一般的なケースではまだ十分ではありません。ホスト名の部分のみがIDNAエンコード。IRIを分離する必要があるよりも、URLの構築時に通常の_urllib.quote_および.encode('idna')を使用してエンコードする方が簡単です。)

55
bobince

Python3では、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)
22
Perry

Python 3には、この状況を処理するためのライブラリがあります。使用する urllib.parse.urlsplitは、URLをコンポーネントに分割し、urllib.parse.quoteでUnicode文字を適切に引用/エスケープし、urllib.parse.urlunsplit結合して戻します。

>>> 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
20
darkfeline

unicodeをUTF-8にエンコードしてから、URLエンコードします。

使用する iri2uriのメソッドhttplib2。それはボビンと同じものになります(彼/彼女はその作者ですか?)

4
eviltnan

@darkfelineの回答に基づく:

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
3
Ukr

承認された@bobinceの回答が示唆するよりも複雑です。

  • 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にエンコードしてからパーセントでエスケープする必要があります。
  • 非ASCIIクエリパラメータは、URLが抽出されたページのエンコーディングに(またはエンコーディングサーバーが使用するように)エンコードし、パーセントでエスケープする必要があります。

これがすべてのブラウザが機能する方法です。 https://url.spec.whatwg.org/ で指定されています-これを参照してください example 。 A Python実装はw3libにあります(これはScrapyが使用しているライブラリです);参照 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エスケープ実装が正しくない/不完全であるかどうかを確認する簡単な方法は、「ページエンコーディング」引数が提供されているかどうかを確認することです。

3
Mikhail Korobov

Urllibに厳密に依存していない場合、1つの実用的な代替策は requests で、これはIRIを「そのまま」使用します。

たとえば、http://bücher.ch

>>> import requests
>>> r = requests.get(u'http://b\u00DCcher.ch')
>>> r.status_code
200
2
h7r

動作します!最終的に

私はこの奇妙な性格から避けられなかったが、結局私はそれを通り抜けた。

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")
0
Giovanni G. PY