Python从href链接中抓取电子邮件地址

Question

我想获取这些学校的所有电子邮件地址（绿色链接）： http://www.schulliste.eu/schule/

现在我有获取所有 href 链接的代码，但是如何点击每个链接并从每个点击的链接中删除电子邮件地址？

from bs4 import BeautifulSoup
from urllib.request import urlopen
import re
import requests

def getLinks(url):
    html_page = urlopen(url)
    soup = BeautifulSoup(html_page)
    links = []

    for link in soup.findAll('a', attrs={'href': re.compile("^http://")}):
        links.append(link.get('href',))

    return links

print(getLinks("http://www.schulliste.eu/schule/"))

Answer 1

您需要有另一个类似于getLinks 的功能，例如称为 getEmail，您将子页面的 URL 传递给它，它使用 urlopen 和 BeautifulSoup（就像您在第一个函数中所做的那样）获取 HTML 内容并从该页面中提取电子邮件地址。

然后，您的主代码需要为从 getLinks 检索到的每个链接调用 getEmail。

Answer 2

您可以找到每所学校的所有链接，然后对每个学校运行请求：

import requests
from bs4 import BeautifulSoup as soup
def get_emails(_links:list, _r = [0, 10]):
  for i in range(*_r):
     new_d = soup(requests.get(_links[i]).text, 'html.parser').find_all('a', {'class':'my_modal_open'})
     if new_d:
       yield new_d[-1]['title']

d = soup(requests.get('http://www.schulliste.eu/schule/').text, 'html.parser')
results = [i['href'] for i in d.find_all('a')][52:-9]
print(list(get_emails(results)))

输出：

['schuleamhasenwald-gue@freenet.de', 'kita-stmartin@htp-tel.de', 'wundertuete@stephansstift.de', 'a.haeupl@igs-baltic-schule.de', 'kindergarten@bothel.de']