Python在网页上查找文件下载链接答案

【问题标题】：Python find file download link on webpagePython在网页上查找文件下载链接
【发布时间】：2012-07-01 09:35:13
【问题描述】：

我需要一个正则表达式，它将返回包含在双引号之间的文本，该双引号以指定的文本块开头，并以特定的文件扩展名（比如 .txt）结束。我正在使用 urllib2 来获取页面的 html（html 很简单）。

如果我有类似的东西

<tr>
  <td valign="top"><img src="/icons/unknown.gif" alt="[   ]"></td>
  <td><a href="Client-8.txt">new_Client-8.txt</a></td>
  <td align="right">27-Jun-2012 18:02  </td>
</tr>

它应该回到我身边

Client-8.txt

返回值包含在双引号中。我知道文件名如何以“Client-”开头，文件扩展名为“.txt”。

我正在使用 r.search(regex, string) 我输入的字符串是页面的 html。但我讨厌正则表达式。

谢谢！

【问题讨论】：

是时候再次链接我最喜欢的答案了：stackoverflow.com/a/1732454/10077
好吧，这就结束了。现在来点完全不同的东西！谢谢！

标签： python regex web-scraping beautifulsoup urllib2

【解决方案1】：

您不应为此任务使用正则表达式。使用BeautifulSoup 编写脚本来处理 HTML 并找到您需要的元素要容易得多。

在您的情况下，您应该搜索其href 属性以Client- 开头并以.txt 结尾的所有<a> 元素。这将为您提供所有文件的列表。

【讨论】：

我一直在避免使用 beautifulSoup，因为我只想使用基本 python 包中包含的工具。但由于正则表达式不能胜任这项任务，我想我将不得不硬着头皮。谢谢！
您还可以使用 Python 的 HTMLParser 解析 HTML：docs.python.org/library/htmlparser.html。但是代码会比使用 BeautifulSoup（专门用于抓取）更长。
如果您可以使用外部库并且已经知道 css 或 jquery 选择器 pyquery 是最好的选择。但是对于这项任务，我只会使用正则表达式

【解决方案2】：

soup = BeautifulSoup('<tr><td valign="top"><img src="/icons/unknown.gif" alt="[   ]"></td><td><a href="Client-8.txt">new_Client-8.txt</a></td><td align="right">27-Jun-2012 18:02  </td>')
x=soup.findAll('a')
for i in x:
    if '.txt' in i['href']:
        print(i['href'])

【讨论】：