URL重定向问题

Question

我有以下网址

http://bit.ly/cDdh1c

当您将上述网址放入浏览器中并按 Enter 它将重定向到以下网址 http://www.kennystopproducts.info/Top/?hop=arnishad

但是当我尝试找到上述相同网址的基本网址（消除所有重定向网址后）时 http://bit .ly/cDdh1c 通过Python程序（下面你可以看到代码）我得到以下网址http： //www.cbtrends.com/ 作为基本 url。请参阅下面的日志文件

为什么相同的 url 在浏览器和 python 程序中表现不同。我应该在 python 程序中更改什么以便它可以重定向到正确的网址？我想知道这种奇怪的行为是如何发生的。？

我观察到类似行为的其他网址是

1. http://bit.ly/bEKyOx ====> http://cgi.ebay.com/ws/eBayISAPI.dll？ ViewItem&item=150413977509 （通过浏览器）

2. http://www.ebay.com （通过 python 程序）

   <预置><代码> 最大尝试次数 = 5 网址 = 网址 而（最大尝试次数> 0）： 主机，路径 = urlparse.urlsplit(turl)[1:3] 如果 len(host.strip()) == 0 ： 返回无 尝试： 连接 = httplib.HTTPConnection(主机,超时=10) 连接.请求（“HEAD”，路径） resp = 连接.getresponse() 除了： 返回无 最大尝试次数 = 最大尝试次数 - 1 如果（resp.status >= 300）并且（resp.status <= 399）： self.logger.debug("当前的 %s 是重定向的" %turl) turl = resp.getheader('位置') elif (resp.status >= 200) 和 (resp.status <= 299) ： self.logger.debug("当前的 url %s 是正确的" %turl) 返回网址 别的 ： #这个网址有问题 返回无 返回无

日志文件供您参考

2010-02-14 10:29:43,260 - paypallistener.views.MrCrawler - INFO - Bringing down the base URL
2010-02-14 10:29:43,261 - paypallistener.views.MrCrawler - DEBUG - what is the url=http://bit.ly/cDdh1c
2010-02-14 10:29:43,994 - paypallistener.views.MrCrawler - DEBUG - The present http://bit.ly/cDdh1c is a redirection one
2010-02-14 10:29:43,995 - paypallistener.views.MrCrawler - DEBUG - what is the url=http://www.cbtrends.com/get-product.html?productid=reFfJcmpgGt95hoiavbXUAYIMP7OfiQn0qBA8BC7%252BV8%253D&affid=arnishad&tid=arnishad&utm_source=twitterfeed&utm_medium=twitter
2010-02-14 10:29:44,606 - paypallistener.views.MrCrawler - DEBUG - The present http://www.cbtrends.com/get-product.html?productid=reFfJcmpgGt95hoiavbXUAYIMP7OfiQn0qBA8BC7%252BV8%253D&affid=arnishad&tid=arnishad&utm_source=twitterfeed&utm_medium=twitter is a redirection one
2010-02-14 10:29:44,607 - paypallistener.views.MrCrawler - DEBUG - what is the url=http://www.cbtrends.com/
2010-02-14 10:29:45,547 - paypallistener.views.MrCrawler - DEBUG - The present url http://www.cbtrends.com/ is a proper one
http://www.cbtrends.com/

Answer 1

您的问题是，当您调用 urlsplit 时，您的路径变量仅包含路径并且缺少查询。

因此，请尝试：

import httplib
import urlparse

def getUrl(url):
    maxattempts = 10
    turl = url
    while (maxattempts  >  0) :               
        host,path,query = urlparse.urlsplit(turl)[1:4]
        if  len(host.strip()) == 0 :
            return None
        try: 
            connection = httplib.HTTPConnection(host,timeout=10)
            connection.request("GET", path+'?'+query)
            resp = connection.getresponse()
        except:                         
            return None                     
        maxattempts = maxattempts - 1
        if (resp.status >= 300) and (resp.status <= 399):
            turl = resp.getheader('location')
        elif (resp.status >= 200) and (resp.status <= 299) :
            return turl
        else :
            #some problem with this url
            return None               
    return None
print getUrl('http://bit.ly/cDdh1c')

Answer 2

您的问题来自这一行：

host,path = urlparse.urlsplit(turl)[1:3]

您遗漏了查询字符串。因此，在您提供的示例日志中，您将执行的第二个 HEAD 请求将位于 http://www.cbtrends.com/get-product.html 上，而无需GET 参数。在浏览器中打开该 URL，您将看到它重定向到 http://www.cbtrends.com/。

您必须使用 urlsplit 返回的元组的所有元素来计算路径。

parts = urlparse.urlsplit(turl)
host = parts[1]
path = "%s?%s#%s" % parts[2:5]