Python-beautifulsoupwebscrape

我正试图从下面的网站（）中删除一个URL列表，但是我在阅读教程后没有任何运气。下面是我尝试过的代码的一个示例：

from bs4 import BeautifulSoup
import urllib2

url         = "http://thedataweb.rm.census.gov/ftp/cps_ftp.html"
page        = urllib2.urlopen(url)
soup        = BeautifulSoup(page.read())
cpsLinks    = soup.findAll(text = 
              "http://thedataweb.rm.census.gov/pub/cps/basic/")

print(cpsLinks)

我正在尝试提取以下链接：

http://thedataweb.rm.census.gov/pub/cps/basic/201501-/jan15pub.dat.gz

---

大概有200个这样的链接。如何获取它们？

据我所知，您希望提取遵循特定模式的链接<代码>美化组允许您指定为属性值

让我们使用以下模式：

pub/cps/basic/\d+\-/\w+\.dat\.gz$'

。它将匹配

pub/cps/basic/

，后跟一个或多个数字（

\d+

），后跟连字符（

\-

），后跟斜杠，一个或多个字母数字字符（

\w+

），然后在字符串末尾加上

.dat.gz

）。请注意，

-

和

在正则表达式中有特殊含义，需要用反斜杠转义

守则：

import re
import urllib2

from bs4 import BeautifulSoup


url = "http://thedataweb.rm.census.gov/ftp/cps_ftp.html"
soup = BeautifulSoup(urllib2.urlopen(url))

links = soup.find_all(href=re.compile(r'pub/cps/basic/\d+\-/\w+\.dat\.gz$'))

for link in links:
    print link.text, link['href']

印刷品：

13,232,040 http://thedataweb.rm.census.gov/pub/cps/basic/201501-/jan15pub.dat.gz
13,204,510 http://thedataweb.rm.census.gov/pub/cps/basic/201401-/dec14pub.dat.gz
13,394,607 http://thedataweb.rm.census.gov/pub/cps/basic/201401-/nov14pub.dat.gz
13,409,743 http://thedataweb.rm.census.gov/pub/cps/basic/201401-/oct14pub.dat.gz
13,208,428 http://thedataweb.rm.census.gov/pub/cps/basic/201401-/sep14pub.dat.gz
...
10,866,849 http://thedataweb.rm.census.gov/pub/cps/basic/199801-/jan99pub.dat.gz
3,172,305 http://thedataweb.rm.census.gov/pub/cps/basic/200701-/disability.dat.gz

---

到底出了什么问题？如果你只是想找到那些URL，为什么不使用简单的模式匹配呢？谢谢！这很有效。我也尝试了正则表达式抓取，但根据您的代码，我没有正确设置它，因为它抓取了一个更大的块，这是不可行的。