Как получить не-ascii URL с помощью Python urlopen?

Question

Мне нужно получить данные с URL-адреса, отличного от символов ascii, но urllib2.urlopen отказывается открывать ресурс и выдает:

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

Я знаю, что URL не соответствует стандартам, но у меня нет шансов изменить его.

Как получить доступ к ресурсу, указанному в URL-адресе, содержащем символы не ascii, с использованием Python?

edit: Другими словами, может ли / как urlopen открыть URL-адрес, например:

http://example.org/Ñöñ-ÅŞÇİİ/

Answer 1

Строго говоря, URI не могут содержать символы не-ASCII;у вас есть IRI .

Для преобразования IRI в простой URI ASCII:

• не-ASCII символов в части имени хостаадрес должен быть закодирован с использованием алгоритма IDNA на основе Punycode ;

• не-ASCII символов в пути и большинства других частей адресадолжны быть закодированы с использованием UTF-8 и% -кодирования согласно ответу Игнасио.

Итак:

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'

(Технически это все еще не очень хорошов общем случае достаточно, потому что urlparse не разделяет префикс user:pass@ или суффикс :port на имени хоста. Только часть имени хоста должна быть закодирована IDNA. Проще кодировать, используя обычные urllib.quote и .encode('idna')в то время, когда вы создаете URL-адрес, чем нужно разделять IRI.)

Answer 2

В Python 3 есть библиотеки для обработки этой ситуации. использование urllib.parse.urlsplit чтобы разделить URL на его компоненты, и urllib.parse.quote для правильного цитирования / экранирования символов Юникода и urllib.parse.urlunsplit, чтобы присоединиться к нему вместе.

>>> 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

Answer 3

В python3 используйте функцию urllib.parse.quote для строки, отличной от 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)

Answer 4

Кодировать unicode в UTF-8, затем кодировать URL.

Answer 5

Используйте iri2uri метод httplib2.Он делает то же самое, что и bobin (он / она автор этого?)

Answer 6

Это сложнее, чем предполагает принятый ответ @ bobince:

• netloc должен быть закодирован с использованием IDNA;
• путь к URL-адресу, отличному от ascii, должен быть закодирован в UTF-8 и затем экранирован в процентах;
• параметры запроса не ascii должны быть закодированы так, чтобы кодировка URL-адреса страницы была извлечена (или для использования сервером кодирования), а затем экранирована в процентах.

Так работают все браузеры; он указан в https://url.spec.whatwg.org/ - см. пример . Реализацию Python можно найти в w3lib (это библиотека, которую использует Scrapy); см. 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>")

Простой способ проверить, является ли реализация, экранирующая URL, неправильной / неполной, - проверить, содержит ли она аргумент «кодировка страницы» или нет.

Answer 7

На основании ответа @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

Answer 8

Для тех, кто не зависит строго от urllib, одна практическая альтернатива - запросы , которые обрабатывают IRI "из коробки".

Например, с http://bücher.ch:

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

Answer 9

работает! наконец

Я не мог избежать этого странного персонажа, но в конце я прохожу через него.

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")