Question

我有一个基本的循环来查找我用urllib2.urlopen检索到的页面上的链接，但是我试图只关注页面上的内部链接..

如何使我的下面的循环只获得位于同一域的链接？

for tag in soupan.findAll('a', attrs={'href': re.compile("^http://")}): 
                webpage = urllib2.urlopen(tag['href']).read()
                print 'Deep crawl ----> ' +str(tag['href'])
                try:
                    code-to-look-for-some-data...

                except Exception, e:
                    print e

Answer 1

>>> import urllib
>>> print urllib.splithost.__doc__
splithost('//host[:port]/path') --> 'host[:port]', '/path'.

如果主机相同或主机为空（用于相对路径），则url属于同一主机。

for tag in soupan.findAll('a', attrs={'href': re.compile("^http://")}):

            href = tag['href']
            protocol, url = urllib.splittype(href) # 'http://www.xxx.de/3/4/5' => ('http', '//www.xxx.de/3/4/5')
            host, path =  urllib.splithost(url)    # '//www.xxx.de/3/4/5' => ('www.xxx.de', '/3/4/5')
            if host.lower() != theHostToCrawl and host != '':
                continue

            webpage = urllib2.urlopen(href).read()

            print 'Deep crawl ----> ' +str(tag['href'])
            try:
                code-to-look-for-some-data...

            except:
                import traceback
                traceback.print_exc()

因为你这样做

'href': re.compile("^http://")

不会使用相对路径。就像

<a href="/folder/file.htm"></a>

也许根本不使用re？

Answer 2

针对您的抓取工具的一些建议：将机械化与BeautifulSoup结合使用，这将简化您的任务。

Python BeautifulSoup - 从页面获取内部链接

2 个答案: