使用 Python 2.7x 从 href 标签中提取字符串答案

【问题标题】：Extracting string from a href tag with Python 2.7x使用 Python 2.7x 从 href 标签中提取字符串
【发布时间】：2015-09-17 20:46:08
【问题描述】：

我目前正在使用 Beautifulsoup4 从 HTML 页面中提取“a href”标签。我在 Beautifulsoup4 中使用 find_all 查询，它工作正常并返回我正在寻找的“a href”标签。返回的示例如下：

"<a href="manage/foldercontent.html?folder=Pictures" style="background-image: url(shares/Pictures/DefaultPicture.png)" target="content_window" title="Vaya al recurso compartido Pictures">Pictures</a>"

我现在要做的只是提取"<a href="manage/foldercontent.html?folder=Pictures"，而不是像上面返回的完整内容。

我的代码如下：

req = urllib2.Request(example_url)
response = urllib2.urlopen(req)
soup = BeautifulSoup(response.read(), from_encoding=response.info().getparam('charset'))
for link in soup.find_all('a', href=True):
    # The below 'if' is to filter out only relevant 'a href' tags
    if "foldercontent.html?folder" in link['href']: 
        print link

这是否可以通过修改我搜索的内容来实现，或者我是否必须在返回的字符串中运行正则表达式？

【问题讨论】：

标签： python regex python-2.7 beautifulsoup

【解决方案1】：

你可以使用CSS selectors:

for link in soup.select('a[href*="foldercontent.html?folder"]'):

[<attribute>*="<substring>"] 语法匹配任何包含子字符串的属性值。

请注意，返回的是 Element 对象，而不是字符串；如果您需要从匹配的 URL 中解析出特定信息，您可以使用 urlparse library 解析 link['href'] 值以获取 URL 路径或查询字符串，或将查询字符串解析为其组成部分。

【讨论】：