使用python从网页中提取所有链接
在介绍Udacity的计算机科学课程之后,我将尝试制作一个python脚本来从页面中提取链接,下面是我使用的代码: 我犯了以下错误 名称错误:未定义名称“页面” 代码如下:使用python从网页中提取所有链接,python,Python,在介绍Udacity的计算机科学课程之后,我将尝试制作一个python脚本来从页面中提取链接,下面是我使用的代码: 我犯了以下错误 名称错误:未定义名称“页面” 代码如下: def get_page(page): try: import urllib return urllib.urlopen(url).read() except: return '' start_link = page.find('<a href=') s
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/"))
def get_页面(第页):
尝试:
导入URL库
返回urllib.urlopen(url.read())
除:
返回“”
start_link=page.find('page
未定义,这是错误的原因
对于这样的web抓取,您只需使用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'))
您可以在htmlpage
中找到具有包含http属性的标记的所有实例。可以使用BeautifulSoup
中的find_all
方法并传递attrs={'href':re.compile(“http”)}
我在这里有点晚了,但有一种方法可以从给定页面上获取链接:
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'))
嗯,在定义get\u page
之前,先使用page
。当我定义page=“content”时,结果为零。我将使用selenium
类似的方法:浏览器。按标签名称('a')查找元素
你希望页面
神奇地从何而来?还是url
,就这点而言?从第8行开始,你使用可变页面,但它的定义是什么?不是我的投票,但我删除了评论。我在低质量的评论队列中遇到了这个问题。在那里投票是不可能的。亲爱的玛娜-非常感谢你或者这个解释——这是非常有帮助的。
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'))