使用python从网页中提取所有链接答案

【问题标题】：Extract all links from a web page using python使用python从网页中提取所有链接
【发布时间】：2016-01-05 11:04:57
【问题描述】：

在 Udacity 的计算机科学入门课程之后，我正在尝试制作一个 python 脚本来从页面中提取链接，下面是我使用的代码：

我收到以下错误

NameError：名称“页面”未定义

代码如下：

def get_page(page):
    try:
        import urllib
        return urllib.urlopen(url).read()
    except:
        return ''

start_link = page.find('<a href=')
start_quote = page.find('"', start_link)
end_quote = page.find('"', start_quote + 1)
url = page[start_quote + 1:end_quote]

def get_next_target(page):
    start_link = page.find('<a href=')
    if start_link == -1:
        return (None, 0)
    start_quote = page.find('"', start_link)
    end_quote = page.find('"', start_quote + 1)
    url = page[start_quote + 1:end_quote]
    return (url, end_quote)

(url, end_pos) = get_next_target(page)

page = page[end_pos:]

def print_all_links(page):
    while True:
        (url, end_pos) = get_next_target(page)
        if url:
            print(url)
            page = page[:end_pos]
        else:
            break

print_all_links(get_page("http://xkcd.com/"))

【问题讨论】：

好吧，你在定义get_page之后使用page。
当我定义 page="content" 时，结果为零
我会像这样使用selenium：browser.find_elements_by_tag_name('a')
您期待page 神奇地来自哪里，究竟是什么？还是url？
从第 8 行开始使用变量 page，但它在哪里定义？

标签： python

【解决方案1】：

page 未定义，这是导致错误的原因。

对于这样的网络抓取，您可以简单地使用beautifulSoup：

from bs4 import BeautifulSoup, SoupStrainer
import requests

url = "http://stackoverflow.com/"

page = requests.get(url)    
data = page.text
soup = BeautifulSoup(data)

for link in soup.find_all('a'):
    print(link.get('href'))

【讨论】：

【解决方案2】：

您可以在htmlpage 中找到所有具有包含http 属性的标签实例。这可以使用来自BeautifulSoup 的find_all 方法并传递attrs={'href': re.compile("http")} 来实现

import re
from bs4 import BeautifulSoup

soup = BeautifulSoup(htmlpage, 'html.parser')
links = []
for link in soup.find_all(attrs={'href': re.compile("http")}):
    links.append(link.get('href'))

print(links)

【讨论】：

不是我的投票，但我删除了评论。我在低质量审核队列中遇到了这个问题。那里无法投票。

【解决方案3】：

我在这里有点晚了，但这是从给定页面上获取链接的一种方法：

from html.parser import HTMLParser
import urllib.request


class LinkScrape(HTMLParser):

    def handle_starttag(self, tag, attrs):
        if tag == 'a':
            for attr in attrs:
                if attr[0] == 'href':
                    link = attr[1]
                    if link.find('http') >= 0:
                        print('- ' + link)


if __name__ == '__main__':
    url = input('Enter URL > ')
    request_object = urllib.request.Request(url)
    page_object = urllib.request.urlopen(request_object)
    link_parser = LinkScrape()
    link_parser.feed(page_object.read().decode('utf-8'))

【讨论】：

亲爱的 Mana - 非常感谢您的解释 - 这非常有帮助。