這篇文章主要介紹了Python獲取當前頁面內所有鏈接的方法,結合實例形式對比分析了Python常用的四種獲取頁面鏈接的方法,並附帶了iframe框架內鏈接的獲取方法,需要的朋友可以參考下
本文實例講述了Python獲取目前頁面內所有連結的四種方法。分享給大家供大家參考,具體如下:
''' 得到当前页面所有连接 ''' import requests import re from bs4 import BeautifulSoup from lxml import etree from selenium import webdriver url = 'http://www.testweb.com' r = requests.get(url) r.encoding = 'gb2312' # 利用 re (太黄太暴力!) matchs = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')" , r.text) for link in matchs: print(link) print() # 利用 BeautifulSoup4 (DOM树) soup = BeautifulSoup(r.text,'lxml') for a in soup.find_all('a'): link = a['href'] print(link) print() # 利用 lxml.etree (XPath) tree = etree.HTML(r.text) for link in tree.xpath("//@href"): print(link) print() # 利用selenium(要开浏览器!) driver = webdriver.Firefox() driver.get(url) for link in driver.find_elements_by_tag_name("a"): print(link.get_attribute("href")) driver.close()
#注意:若頁面中含有iframe,則iframe 內所包含頁面的所有標籤都無法用以上四種方法獲得! ! !此時則要:
# 再打开所有iframe查找全部的a标签 for iframe in soup.find_all('iframe'): url_ifr = iframe['src'] # 取得当前iframe的src属性值 rr = requests.get(url_ifr) rr.encoding = 'gb2312' soup_ifr = BeautifulSoup(rr.text,'lxml') for a in soup_ifr.find_all('a'): link = a['href'] m = re.match(r'http:\/\/.*?(?=\/)',link) #print(link) if m: all_urls.add(m.group(0))
以上是Python使用四種方法實現獲取當前頁面內所有連結的對比分析的詳細內容。更多資訊請關注PHP中文網其他相關文章!