Question

我正在尝试使用Python提取iframe src给出一组网站。例如，我的输入将是A.com，B.com，C.com，如果这些网站中的每一个都有链接到D.com，E.com，F.com的iframe，（如果网站没有，则为“无”）有一个iframe然后我希望输出是这样的形式：

Site    Iframe Src
A.com    D.com
B.com    E.com
C.com    F.com

目前，我有这样的事情：

from collections import defaultdict
import urllib2
import re

 def PrintLinks(website):
 counter = 0
 regexp_link= regexp_link = r'''<frame src =((http|ftp)s?://.*?)'''
 pattern = re.compile(regexp_link)
 links = [None]*len(website)
 for x in website:
     html_page = urllib2.urlopen(website[counter])
     html = html_page.read()
     links[counter] = re.findall(pattern,html)
     counter += 1
 return links

def main():
 website=["A.com","B.com","C.com"]

这是最好的方法吗？如何让输出成为我想要的格式？谢谢！

Answer 1

你不需要使用正则表达式重新发明轮子，有很棒的python包为你做到这一点，是最着名的BeautifulSoup。

使用pip安装 BeautifulSoup 和 httplib2 ，然后尝试此操作

import httplib2
from BeautifulSoup import BeautifulSoup, SoupStrainer

sites=['http://www.site1.com', 'http://www.site2.com', 'http://www.site3.com']
http = httplib2.Http()

for site in sites:
    status, response = http.request(site)
    for iframe in BeautifulSoup(response, parseOnlyThese=SoupStrainer('iframe')):
        print site + ' ' + iframe['src']

使用Python提取HTML链接

1 个答案: