Question

我正在处理需要我获取网页上所有网址的内容。它似乎适用于我测试过的大多数网站，例如microsoft.com，但它只从google.com返回三个。以下是相关的源代码：


   import urllib
   import time
   import re
   fwcURL = "http://www.microsoft.com" #URL to read
   mylines = urllib.urlopen(fwcURL).readlines()
   print "Found URLs:"
   time.sleep(1) #Pause execution for a bit
   for item in mylines:
     if "http://" in item.lower(): #For http
       print item[item.index("http://"):].split("'")[0].split('"')[0] # Remove ' and " from the end, for example in href=
     if "https://" in item.lower(): #For https
       print item[item.index("https://"):].split("'")[0].split('"')[0] # Ditto

如果我的代码可以改进，或者有更好的方法可以做到这一点，请回复。提前谢谢！

Answer 1

尝试使用Mechanize或BeautifulSoup或lxml。

通过使用BeautifulSoup，您可以轻松轻松获取所有html / xml内容。

import urllib2
from BeautifulSoup import BeautifulSoup
page = urllib2.urlopen("some_url")
soup = BeautifulSoup(page.read())
links = soup.findAll("a")
for link in links:
    print link["href"]

BeautifulSoup非常容易学习和理解。

Answer 2

首先，HTML不是常规语言，并且没有像这样的简单字符串操作可以在所有页面上运行。你需要一个真正的HTML解析器。我推荐Lxml。然后，只需通过树递归并找到所需的元素即可。

其次，某些页面可能是动态的，因此您无法找到html源代码中的所有内容。 Google大量使用javascript和AJAX（注意它如何在不重新加载页面的情况下显示结果）。

Answer 3

我会使用lxml并执行：

import lxml.html

page = lxml.html.parse('http://www.microsoft.com').getroot()
anchors = page.findall('a')

值得注意的是，如果链接是动态生成的（通过JS或类似方式），那么您将无法以某种方式实现浏览器的自动化。

获取页面Python上的所有URL

3 个答案: