从列表python 2.7中提取特定元素
我正在开发一个从特定页面提取URL的机器人。我已经提取了所有链接并将它们放在一个列表中,现在我似乎无法从列表中获取现实主义URL(指向以http或https开头的其他站点)并将它们附加到另一个列表中,或者删除那些不以http开头的。提前谢谢从列表python 2.7中提取特定元素,python,python-2.7,list,extract,Python,Python 2.7,List,Extract,我正在开发一个从特定页面提取URL的机器人。我已经提取了所有链接并将它们放在一个列表中,现在我似乎无法从列表中获取现实主义URL(指向以http或https开头的其他站点)并将它们附加到另一个列表中,或者删除那些不以http开头的。提前谢谢 import urllib2 import requests from bs4 import BeautifulSoup def main(): #get all the links from bing about cancer site
import urllib2
import requests
from bs4 import BeautifulSoup
def main():
#get all the links from bing about cancer
site = "http://www.bing.com/search?q=cancer&qs=n&form=QBLH&pq=cancer&sc=8-4&sp=-1&sk=&cvid=E56491F36028416EB41694212B7C33F2"
urls =[]
true_links = []
r = requests.get(site)
html_content = r.content
soup = BeautifulSoup(html_content, 'html.parser')
links = soup.find_all("a")
for link in links:
link = link.get("href")
urls.append(str(link))
#urls.append(link.get("href"))
#print map(str, urls)
#REMOVE GARBAGE LINKS
print len(urls)
print urls
main()
您可以使用
urlparse.urljoin
:
link = urlparse.urljoin(site, link.get("href"))
这将从相对URL中创建绝对URL
您还应该使用
html\u content=r.text
而不是html\u content=r.content
r.text
负责使用正确的编码。您可以使用urlparse.urljoin
:
link = urlparse.urljoin(site, link.get("href"))
这将从相对URL中创建绝对URL
您还应该使用
html\u content=r.text
而不是html\u content=r.content
r.text
注意使用正确的编码。您能详细说明这个问题吗?如果我按照编写的方式运行您的代码,url
将填充一个URL列表,其中许多URL指向bing以外的站点(例如,。)http://www.coursera.org/course/clinicaltrials', 'http://www.coursera.org/course/clinicaltrials', 'http://www.khanacademy.org/science/health-and-medicine/respiratory-system-diseases/lung-cancer/v/lung-cancer-complications“,…”
)你能解释一下你得到的结果与你想要的结果有何不同吗?我想要指向实际站点的链接,而不是脚本或样式表(例如,我不想/script.js或/styles.cscan您可以详细说明这个问题吗?如果我按编写的方式运行代码,URL
将填充一个URL列表,其中许多URL指向bing以外的站点。)(例如,。)http://www.coursera.org/course/clinicaltrials', 'http://www.coursera.org/course/clinicaltrials', 'http://www.khanacademy.org/science/health-and-medicine/respiratory-system-diseases/lung-cancer/v/lung-cancer-complications“,…”
)你能解释一下你得到的结果与你想要的结果有何不同吗?我想要指向实际站点的链接,而不是脚本或样式表(例如我不想要/script.js或/styles.css)