使用 python 和 BeautifulSoup 从网页检索链接

Question

Closed. This question needs details or clarity. It is not currently accepting answers.

---

想要改进这个问题？通过编辑这篇文章添加详细信息并澄清问题。

3 年前已关闭。

Answer 1

下面是在 BeautifulSoup 中使用 SoupStrainer 类的一个简短片段：

import httplib2
from bs4 import BeautifulSoup, SoupStrainer

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

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

BeautifulSoup 文档实际上相当不错，涵盖了许多典型场景：

https://www.crummy.com/software/BeautifulSoup/bs4/doc/

编辑：请注意，我使用了 SoupStrainer 类，因为它的效率更高一些（内存和速度方面） ），如果你提前知道你要解析什么。

Answer 2

为了完整起见，BeautifulSoup 4 版本也使用服务器提供的编码：

from bs4 import BeautifulSoup
import urllib.request

parser = 'html.parser'  # or 'lxml' (preferred) or 'html5lib', if installed
resp = urllib.request.urlopen("http://www.gpsbasecamp.com/national-parks")
soup = BeautifulSoup(resp, parser, from_encoding=resp.info().get_param('charset'))

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

或 Python 2 版本：

from bs4 import BeautifulSoup
import urllib2

parser = 'html.parser'  # or 'lxml' (preferred) or 'html5lib', if installed
resp = urllib2.urlopen("http://www.gpsbasecamp.com/national-parks")
soup = BeautifulSoup(resp, parser, from_encoding=resp.info().getparam('charset'))

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

以及使用 requests 库，该库在 Python 2 和 3 中均适用：

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

parser = 'html.parser'  # or 'lxml' (preferred) or 'html5lib', if installed
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, parser, from_encoding=encoding)

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

soup.find_all('a', href=True) 调用查找所有具有 href 属性的 元素； 没有该属性的元素将被跳过。

BeautifulSoup 3于2012年3月停止开发； 新项目确实应该始终使用 BeautifulSoup 4。

请注意，您应该将 HTML 从字节解码到 BeautifulSoup。 您可以告知 BeautifulSoup 在 HTTP 响应标头中找到的字符集以协助解码，但这可能是错误的，并且与在HTML 本身，这就是为什么上面使用 BeautifulSoup 内部类方法 EncodingDetector.find_declared_encoding() 来确保此类嵌入的编码提示胜过配置错误的服务器。

对于 requests，如果响应具有 text/* mimetype，则 response.encoding 属性默认为 Latin-1，即使没有返回字符集。 这与 HTTP RFC 一致，但与 HTML 解析一起使用时会很痛苦，因此当 Content-Type 标头中未设置 charset 时，您应该忽略该属性。

Answer 3

其他人推荐了 BeautifulSoup，但使用 lxml 更好。 尽管它的名字如此，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）更好地处理“损坏的”HTML。 如果您不想学习 lxml API，它也有一个 BeautifulSoup 的兼容性 API。

Ian Blicking 同意。

没有理由再使用 BeautifulSoup，除非你使用的是 Google App Engine 或其他不允许使用非纯 Python 的东西。

lxml.html 还支持 CSS3 选择器，所以这种事情很简单。

使用 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

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 6

链接可以位于各种属性中，因此您可以将这些属性的列表传递给 select。

例如，对于 src 和 href 属性（这里我使用以 ^ 运算符开头来指定这些属性值中的任何一个以 http 开头）：

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)

属性 = 值选择器

[attr^=值]

表示属性名称为 attr 的元素，其值以 value 为前缀（前面）。

还有常用的 $ （结尾为）和 * （包含）运算符。 有关完整语法列表，请参阅上面的链接。

Answer 7

BeautifulSoup 现在在底层使用 lxml。 请求、lxml 和 列表推导式是一个杀手组合。

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]

在列表组合中，“if '//' and 'url.com' not in x”是一种简单的方法，用于清理站点“内部”导航 URL 等的 URL 列表。

Answer 8

该脚本可以满足您的需求，而且还可以将相对链接解析为绝对链接。

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 9

为了查找所有链接，我们将在本例中一起使用 urllib2 模块
使用 re.module
*re 模块中最强大的函数之一是“re.findall()”。
re.search() 用于查找模式的第一个匹配项，而 re.findall() 则查找所有
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 10

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 11

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 12

下面是一个使用 @ars 接受的答案和 BeautifulSoup4、requests 和 wget 模块来处理下载的示例。

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 13

经过以下更正（涵盖无法正常工作的场景）后，我找到了@Blairg23工作的答案：

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 才能获得而是使用完整的 URL。

Answer 14

BeatifulSoup 自己的解析器可能很慢。 使用 lxml 可能更可行，它能够直接从 URL 解析（有下面提到的一些限制）。

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，它们将是相对链接或来自站点根目录的绝对链接。 由于我的用例是仅提取某种类型的链接，因此下面的版本可以将链接转换为完整 URL，并且可以选择接受 *.mp3 等 glob 模式。 虽然它不会处理相对路径中的单点和双点，但到目前为止我还不需要它。 如果您需要解析包含 ../ 或 ./ 的 URL 片段，则 urlparse.urljoin 可能会派上用场。

注意：直接 lxml url 解析不处理从 https 的加载，也不执行重定向，因此下面的版本使用 urllib2 > + lxml。

#!/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

用法如下：

getlinks.py http://stackoverflow.com/a/37758066/191246
getlinks.py http://stackoverflow.com/a/37758066/191246 "*users*"
getlinks.py http://fakedomain.mu/somepage.html "*.mp3"

Answer 15

可能存在许多重复的链接以及外部和内部链接。 要区分两者并使用集合获取唯一链接：

# 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)

Answer 16

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']