Question

我找到了一种通过网页上的超链接下载.pdf文件的方法。

从How can i grab pdf links from website with Python script了解到，方法是：

import lxml.html, urllib2, urlparse

base_url = 'http://www.renderx.com/demos/examples.html'
res = urllib2.urlopen(base_url)
tree = lxml.html.fromstring(res.read())

ns = {'re': 'http://exslt.org/regular-expressions'}

for node in tree.xpath('//a[re:test(@href, "\.pdf$", "i")]', namespaces=ns):
    print urlparse.urljoin(base_url, node.attrib['href'])

问题是，我怎样才能在特定超链接下找到.pdf，而不是在网页上列出所有.pdf？

一种方法是，当它包含某些单词时，我可以限制打印：

If ‘CA-Personal.pdf’ in node:

但是如果.pdf文件名正在改变怎么办？或者我只想限制在“应用程序”的超链接上搜索网页？感谢。

Answer 1

好吧，不是最好的办法，但没有伤害：

from bs4 import BeautifulSoup
import urllib2

domain = 'http://www.renderx.com'    
url = 'http://www.renderx.com/demos/examples.html'

page = urllib2.urlopen(url)
soup = BeautifulSoup(page.read())
app = soup.find_all('a', text = "Applications")

for aa in app:
    print domain + aa['href']

Python，限制在网页上的特定超链接搜索

1 个答案: