python 打开url文件 python urljoin

首先说下什么叫URL拼接，我们有这么一个HTML片段：

 

<ahref="../../a.html">click me</a>

做为一只辛苦的爬虫，我们要跟踪到这个click me指向的页面，假设这个片段来自：http://www.xxxdu.com，那么目标页面是什么呢？

显然不是

://www.xxxdu.com/../../a.html

而是

://www.xxxdu.com/a.html

 

第一个结果看着很脑残，但是这就是Python的urljoin给出的结果,按理说urljoin应该解决这个“路径非正规化”(Normalize path )的问题，但是它没有：

>>>from urlparse import urljoin

>>>urljoin("http://www.xxx.com","../../a.html")

'http://www.xxx.com/../../a.html'

OK，其实这个问题的解决根本不再URL上，因为URL已经拼接了，更准确的描述这个问题应该是路径的正规化，即xxx.com后面的这部分路径，如果我们把它想象成Unix路径，不就是求相对论路径”/../../a.html”的绝对路径么？

我们可以用查找、正则表达式把后面这部分分离出来，更省事的方法是urlparse：

>>>from urlparse import urlparse

>>>urlparse("http://www.xxx.com/../../a.html")

ParseResult(scheme='http',netloc='www.xxx.com',path='/../../a.html',params='',query='',fragment='')

 

上述结果的第2部分, arr[2]就是我们要的path啦。

然后Python提供了Unix路径的正规化函数posixpath.normpath

最后我们把正规化好的path重新组装成url，于是整个函数出炉：

from urlparse import urljoin
from urlparse import urlparse
from urlparse import urlunparse
from posixpath import normpath
 
def myjoin(base,url):
url1=urljoin(base,url)
arr=urlparse(url1)
path=normpath(arr[2])
returnurlunparse((arr.scheme,arr.netloc,path,arr.params,arr.query,arr.fragment))
 
if__name__=="__main__":
print myjoin("http://www.baidu.com","abc.html")
print myjoin("http://www.baidu.com","/../../abc.html")
print myjoin("http://www.baidu.com/xxx","./../../abc.html")
print myjoin("http://www.baidu.com","abc.html?key=value&m=x")