Python 剥离beautfulsoup返回的链接

当我使用beautifulsoup时，我从href返回以下代码

"/url?q=http://druid8.sit.aau.dk/acc_papers/kdln4ccpef78ielqg01fuabr81s1.pdf&sa=U&ei=HkNsUauqN_GQiAf5p4CwDg&ved=0CDkQFjAJ&usg=AFQjCNGk0DTzu2K2ieIKS-SXAeS5-VYTgA"

最简单的方法是什么，只切割http://.... pdf以便我可以下载该文件

for link in soup.findAll('a'):
    try:
            href = link['href']
            if re.search(re.compile('\.(pdf)'), href):
            print href
    except KeyError:
            pass

---

它们的一致性如何

href.split('q=')[1].split('&')[0]

没有正则表达式也能工作。这也可以做到：

href[7:href.index('&')] # may need +1 after .index call

它们似乎都在我的交互式终端中工作：

>>> s = "/url?q=http://druid8.sit.aau.dk/acc_papers/kdln4ccpef78ielqg01fuabr81s1.pdf&sa=U&ei=HkNsUauqN_GQiA f5p4CwDg&ved=0CDkQFjAJ&usg=AFQjCNGk0DTzu2K2ieIKS-SXAeS5-VYTgA"
>>>
>>> s[7:s.index('&')]
'http://druid8.sit.aau.dk/acc_papers/kdln4ccpef78ielqg01fuabr81s1.pdf'
>>>
>>> s.split('q=')[1].split('&')[0]
'http://druid8.sit.aau.dk/acc_papers/kdln4ccpef78ielqg01fuabr81s1.pdf'
>>>

您也可以使用此正则表达式到达：

>>> import re
>>>
>>> re.findall('http://.*?\.pdf', s)
['http://druid8.sit.aau.dk/acc_papers/kdln4ccpef78ielqg01fuabr81s1.pdf']
>>>

---

一种更具python风格的方法是

urlparse

库：

A = "/url?q=http://druid8.sit.aau.dk/acc_papers/kdln4ccpef78ielqg01fuabr81s1.pdf&sa=U&ei=HkNsUauqN_GQiAf5p4CwDg&ved=0CDkQFjAJ&usg=AFQjCNGk0DTzu2K2ieIKS-SXAeS5-VYTgA"

import urlparse
sol = urlparse.parse_qs(A)
print sol["/url?q"][0]

其中：

>> http://druid8.sit.aau.dk/acc_papers/kdln4ccpef78ielqg01fuabr81s1.pdf

如果您使用的是Python3，synatax会略有不同，上面显示的是Python2.7版本。如果您还喜欢其他参数，这非常好，例如：

print sol["ved"]
>> ['0CDkQFjAJ']

---

在

？q=

和下一个

&

之间切换？不需要正则表达式。它们在前面是一致的，但在最后总是有&或%。然而，自然文件名有时有%字符。@JosephLee-我添加了一个regex选项，它也可以工作。如果您可以使用字符串方法来解决它，您将比

re

库所需的开销少。无论哪种方式，都应该是可行的。这是一个很好的答案。：）