rog*_*pvl 1 html python regex parsing
我正在python中构建一个应用程序,我需要在一个网页中获取所有链接的URL.我已经有一个函数使用urllib从web下载html文件,并将其转换为带有readlines()的字符串列表.
目前我有这个代码使用正则表达式(我不是很擅长)来搜索每一行中的链接:
for line in lines:
result = re.match ('/href="(.*)"/iU', line)
print result
这不起作用,因为它只为文件中的每一行打印"无",但我确信至少在我打开的文件上有3个链接.
有人可以给我一个暗示吗？
提前致谢
Ign*_*ams 11
美丽的汤几乎可以做到这一点:
from BeautifulSoup import BeautifulSoup as soup
html = soup('<body><a href="123">qwe</a><a href="456">asd</a></body>')
print [tag.attrMap['href'] for tag in html.findAll('a', {'href': True})]
小智 8
BeautifulSoup的另一个替代品是lxml(http://lxml.de/);
import lxml.html
links = lxml.html.parse("http://stackoverflow.com/").xpath("//a/@href")
for link in links:
print link
| 归档时间： |
|
| 查看次数： |
12058 次 |
| 最近记录： |