Question

如何检索网页链接并使用Python复制链接的网址？

Answer 1

这是使用BeautifulSoup中的SoupStrainer类的简短代码段：

import httplib2
from BeautifulSoup import BeautifulSoup, SoupStrainer

http = httplib2.Http()
status, response = http.request('http://www.nytimes.com')

for link in BeautifulSoup(response, parse_only=SoupStrainer('a')):
    if link.has_attr('href'):
        print(link['href'])

BeautifulSoup文档实际上非常好，涵盖了许多典型场景：

http://www.crummy.com/software/BeautifulSoup/documentation.html

编辑：请注意，我使用了SoupStrainer类，因为如果您事先知道要解析的内容，它会更有效（内存和速度）。

Answer 2

为了完整起见，BeautifulSoup 4版本也使用了服务器提供的编码：

from bs4 import BeautifulSoup
import urllib2

resp = urllib2.urlopen("http://www.gpsbasecamp.com/national-parks")
soup = BeautifulSoup(resp, from_encoding=resp.info().getparam('charset'))

for link in soup.find_all('a', href=True):
    print link['href']

或Python 3版本：

from bs4 import BeautifulSoup
import urllib.request

resp = urllib.request.urlopen("http://www.gpsbasecamp.com/national-parks")
soup = BeautifulSoup(resp, from_encoding=resp.info().get_param('charset'))

for link in soup.find_all('a', href=True):
    print(link['href'])

以及使用requests library的版本，其编写将适用于Python 2和3：

from bs4 import BeautifulSoup
from bs4.dammit import EncodingDetector
import requests

resp = requests.get("http://www.gpsbasecamp.com/national-parks")
http_encoding = resp.encoding if 'charset' in resp.headers.get('content-type', '').lower() else None
html_encoding = EncodingDetector.find_declared_encoding(resp.content, is_html=True)
encoding = html_encoding or http_encoding
soup = BeautifulSoup(resp.content, from_encoding=encoding)

for link in soup.find_all('a', href=True):
    print(link['href'])

soup.find_all('a', href=True)调用会查找具有<a>属性的所有href元素;跳过没有属性的元素。

BeautifulSoup 3于2012年3月停止开发;新项目真的应该使用BeautifulSoup 4，总是。

请注意，您应该将HTML从字节解码为BeautifulSoup 。你可以告诉BeautifulSoup在HTTP响应头中找到的字符集有助于解码，但是这个可能错误并与HTML本身中找到的<meta>标题信息冲突，这就是为什么上面使用BeautifulSoup内部类方法EncodingDetector.find_declared_encoding()来确保这样的嵌入式编码提示赢得错误配置的服务器。

对于requests，如果响应具有response.encoding mimetype，则text/*属性默认为Latin-1，即使未返回任何字符集。这与HTTP RFC一致，但在与HTML解析一起使用时很痛苦，因此如果在Content-Type标头中未设置charset，则应忽略该属性。

Answer 3

其他人推荐使用BeautifulSoup，但使用lxml要好得多。尽管它的名字，它也用于解析和抓取HTML。它比BeautifulSoup快得多，甚至比BeautifulSoup（他们声名鹊起）更能处理“破碎”的HTML。如果您不想学习lxml API，它还有BeautifulSoup的兼容性API。

Ian Blicking agrees

没有理由再使用BeautifulSoup了，除非您使用的是Google App Engine或其他不允许使用Python的东西。

lxml.html也支持CSS3选择器，所以这种事情很简单。

lxml和xpath的示例如下所示：

import urllib
import lxml.html
connection = urllib.urlopen('http://www.nytimes.com')

dom =  lxml.html.fromstring(connection.read())

for link in dom.xpath('//a/@href'): # select the url in href for all a tags(links)
    print link

Answer 4

import urllib2
import BeautifulSoup

request = urllib2.Request("http://www.gpsbasecamp.com/national-parks")
response = urllib2.urlopen(request)
soup = BeautifulSoup.BeautifulSoup(response)
for a in soup.findAll('a'):
  if 'national-park' in a['href']:
    print 'found a url with national-park in the link'

Answer 5

引擎盖下，BeautifulSoup现在使用lxml。请求，lxml＆amp; list comprehensions是一个杀手组合。

import requests
import lxml.html

dom = lxml.html.fromstring(requests.get('http://www.nytimes.com').content)

[x for x in dom.xpath('//a/@href') if '//' in x and 'nytimes.com' not in x]

在列表comp中，“if'//'和'url.com'不在x中”是一种简单的方法来清理网站内部'导航网址的网址列表等。

Answer 6

以下代码是使用urllib2和BeautifulSoup4检索网页中的所有可用链接：

import urllib2
from bs4 import BeautifulSoup

url = urllib2.urlopen("http://www.espncricinfo.com/").read()
soup = BeautifulSoup(url)

for line in soup.find_all('a'):
    print(line.get('href'))

Answer 7

为什么不使用正则表达式：

import urllib2
import re
url = "http://www.somewhere.com"
page = urllib2.urlopen(url)
page = page.read()
links = re.findall(r"<a.*?\s*href=\"(.*?)\".*?>(.*?)</a>", page)
for link in links:
    print('href: %s, HTML text: %s' % (link[0], link[1]))

Answer 8

要查找所有链接，我们将在此示例中一起使用urllib2模块使用re.module * re模块中最强大的功能之一是“re.findall（）”。虽然re.search（）用于查找模式的第一个匹配项，但re.findall（）查找 all 匹配并将它们作为字符串列表返回，每个字符串代表一个匹配*

import urllib2

import re
#connect to a URL
website = urllib2.urlopen(url)

#read html code
html = website.read()

#use re.findall to get all the links
links = re.findall('"((http|ftp)s?://.*?)"', html)

print links

Answer 9

只是为了获取链接，没有B.soup和正则表达式：

import urllib2
url="http://www.somewhere.com"
page=urllib2.urlopen(url)
data=page.read().split("</a>")
tag="<a href=\""
endtag="\">"
for item in data:
    if "<a href" in item:
        try:
            ind = item.index(tag)
            item=item[ind+len(tag):]
            end=item.index(endtag)
        except: pass
        else:
            print item[:end]

对于更复杂的操作，当然BSoup仍然是首选。

Answer 10

此脚本可以满足您的需求，但也可以解析绝对链接的相对链接。

import urllib
import lxml.html
import urlparse

def get_dom(url):
    connection = urllib.urlopen(url)
    return lxml.html.fromstring(connection.read())

def get_links(url):
    return resolve_links((link for link in get_dom(url).xpath('//a/@href')))

def guess_root(links):
    for link in links:
        if link.startswith('http'):
            parsed_link = urlparse.urlparse(link)
            scheme = parsed_link.scheme + '://'
            netloc = parsed_link.netloc
            return scheme + netloc

def resolve_links(links):
    root = guess_root(links)
    for link in links:
        if not link.startswith('http'):
            link = urlparse.urljoin(root, link)
        yield link  

for link in get_links('http://www.google.com'):
    print link

Answer 11

链接可以位于各种属性中，因此您可以传递这些属性的列表以进行选择

例如，具有src和href属性（在这里，我使用^开头的运算符来指定这些属性值之一均以http开头。您可以根据需要对其进行定制

from bs4 import BeautifulSoup as bs
import requests
r = requests.get('https://stackoverflow.com/')
soup = bs(r.content, 'lxml')
links = [item['href'] if item.get('href') is not None else item['src'] for item in soup.select('[href^="http"], [src^="http"]') ]
print(links)

Attribute = value selectors

[attr ^ = value]

表示属性名称为attr的元素，其值以值为前缀（前缀）。

Answer 12

BeatifulSoup自己的解析器可能很慢。使用能够直接从URL解析的 lxml 可能更为可行（下面提到了一些限制）。

import lxml.html

doc = lxml.html.parse(url)

links = doc.xpath('//a[@href]')

for link in links:
    print link.attrib['href']

上面的代码将按原样返回链接，在大多数情况下，它们将是站点根目录的相对链接或绝对链接。由于我的用例仅是提取某种类型的链接，因此下面是将链接转换为完整URL并且可选择接受像*.mp3这样的glob模式的版本。虽然它不会处理相对路径中的单点和双点，但到目前为止我并不需要它。如果您需要解析包含../或./的网址片段，那么urlparse.urljoin可能会派上用场。

注意：直接lxml网址解析无法处理来自https的加载，也不执行重定向，因此出于以下原因，以下版本使用urllib2 + { {1}}。

lxml

用法如下：

#!/usr/bin/env python
import sys
import urllib2
import urlparse
import lxml.html
import fnmatch

try:
    import urltools as urltools
except ImportError:
    sys.stderr.write('To normalize URLs run: `pip install urltools --user`')
    urltools = None


def get_host(url):
    p = urlparse.urlparse(url)
    return "{}://{}".format(p.scheme, p.netloc)


if __name__ == '__main__':
    url = sys.argv[1]
    host = get_host(url)
    glob_patt = len(sys.argv) > 2 and sys.argv[2] or '*'

    doc = lxml.html.parse(urllib2.urlopen(url))
    links = doc.xpath('//a[@href]')

    for link in links:
        href = link.attrib['href']

        if fnmatch.fnmatch(href, glob_patt):

            if not href.startswith(('http://', 'https://' 'ftp://')):

                if href.startswith('/'):
                    href = host + href
                else:
                    parent_url = url.rsplit('/', 1)[0]
                    href = urlparse.urljoin(parent_url, href)

                    if urltools:
                        href = urltools.normalize(href)

            print href

Answer 13

Here's an example using @ars accepted answer and the BeautifulSoup4, requests, and wget modules to handle the downloads.

import requests
import wget
import os

from bs4 import BeautifulSoup, SoupStrainer

url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/eeg-mld/eeg_full/'
file_type = '.tar.gz'

response = requests.get(url)

for link in BeautifulSoup(response.content, 'html.parser', parse_only=SoupStrainer('a')):
    if link.has_attr('href'):
        if file_type in link['href']:
            full_path = url + link['href']
            wget.download(full_path)

Answer 14

我发现@ Blairg23的答案在经过以下更正（包括无法正常工作的情况）之后正常工作：

for link in BeautifulSoup(response.content, 'html.parser', parse_only=SoupStrainer('a')):
    if link.has_attr('href'):
        if file_type in link['href']:
            full_path =urlparse.urljoin(url , link['href']) #module urlparse need to be imported
            wget.download(full_path)

对于Python 3：

必须使用

urllib.parse.urljoin才能获得完整的网址。

Answer 15

import urllib2
from bs4 import BeautifulSoup
a=urllib2.urlopen('http://dir.yahoo.com')
code=a.read()
soup=BeautifulSoup(code)
links=soup.findAll("a")
#To get href part alone
print links[0].attrs['href']

Answer 16

可以有很多重复的链接，包括外部和内部链接。要区分两者并仅使用集合获得唯一链接：

# Python 3.
import urllib    
from bs4 import BeautifulSoup

url = "http://www.espncricinfo.com/"
resp = urllib.request.urlopen(url)
# Get server encoding per recommendation of Martijn Pieters.
soup = BeautifulSoup(resp, from_encoding=resp.info().get_param('charset'))  
external_links = set()
internal_links = set()
for line in soup.find_all('a'):
    link = line.get('href')
    if not link:
        continue
    if link.startswith('http'):
        external_links.add(link)
    else:
        internal_links.add(link)

# Depending on usage, full internal links may be preferred.
full_internal_links = {
    urllib.parse.urljoin(url, internal_link) 
    for internal_link in internal_links
}

# Print all unique external and full internal links.
for link in external_links.union(full_internal_links):
    print(link)

使用python和BeautifulSoup从网页检索链接

16 个答案: