且构网

分享程序员开发的那些事...
且构网 - 分享程序员编程开发的那些事

获取当前页面的所有链接的四种方法对比(python 爬虫)

更新时间:2022-08-12 17:26:26

 

获取当前页面的所有链接的四种方法对比(python 爬虫)
'''
得到当前页面所有连接
'''

import requests

import re
from bs4 import BeautifulSoup
from lxml import etree
from selenium import webdriver

url = 'http://www.ok226.com'
r = requests.get(url)
r.encoding = 'gb2312'


# 利用 re (太黄太暴力!)
matchs = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')" , r.text)
for link in matchs:
    print(link)
    
print()


# 利用 BeautifulSoup4 (DOM树)
soup = BeautifulSoup(r.text,'lxml')
for a in soup.find_all('a'):
    link = a['href']
    print(link)
    
print()


# 利用 lxml.etree (XPath)
tree = etree.HTML(r.text)
for link in tree.xpath("//@href"):
    print(link)
    
print()


# 利用selenium(要开浏览器!)
driver = webdriver.Firefox()
driver.get(url)
for link in driver.find_elements_by_tag_name("a"):
    print(link.get_attribute("href"))
driver.close()
获取当前页面的所有链接的四种方法对比(python 爬虫)

 

 

注意:若页面中含有 iframe,则 iframe 内所包含页面的所有标签都无法用以上四种方法获得!!!此时则要:

获取当前页面的所有链接的四种方法对比(python 爬虫)
# 再打开所有iframe查找全部的a标签
for iframe in soup.find_all('iframe'):
    url_ifr = iframe['src'] # 取得当前iframe的src属性值 
rr = requests.get(url_ifr) rr.encoding = 'gb2312'
soup_ifr = BeautifulSoup(rr.text,'lxml')
for a in soup_ifr.find_all('a'): link = a['href'] m = re.match(r'http:\/\/.*?(?=\/)',link) #print(link) if m: all_urls.add(m.group(0))
获取当前页面的所有链接的四种方法对比(python 爬虫)

 

本文转自罗兵博客园博客,原文链接:http://www.cnblogs.com/hhh5460/p/5044038.html,如需转载请自行联系原作者