如何从 HTML 中提取 URL

Question

我是网络抓取方面的新手。我做如下

from urllib.request import urlopen
from bs4 import BeautifulSoup
import re
html = urlopen("http://chgk.tvigra.ru/letopis/?2016/2016_spr#27mar")
soup = BeautifulSoup(html, "html.parser")
res = soup.find_all('a', {'href': re.compile("r'\b?20\b'")})
print (res)

并获得

[]

我的目标是这个片段

<script language="javascript" type="text/javascript">
cont = new Array();
count = new Array();
for (i=1979; i <=2015; i++){count[i]=0};
cont[1979] =    "<li><a href='?1979_1#24jan'>24 января</a>" +

.......

cont[2016] =    "<li><a href='?2016/2016_spr#cur'>Весенняя серия</a>" +
        "<li><a href='?2016/2016_sum#cur'>Летняя серия</a>" +
        "<li><a href='?2016/2016_aut#cur'>Осенняя серия</a>" +
        "<li><a href='?2016/2016_win#cur'>Зимняя серия</a>";

我试着得到这样的结果

'?2016/2016_spr#cur' 
'?2016/2016_sum#cur'
'?2016/2016_aut#cur'
'?2016/2016_win#cur'

从 2000 年至今（所以 "r'\b?20\b'" 中的“20”就是这个原因）。你能帮帮我吗？

Answer 1

您可以使用 get('attribute')，然后根据需要过滤结果：

from urllib.request import urlopen
from bs4 import BeautifulSoup

html = urlopen("http://chgk.tvigra.ru/letopis/?2016/2016_spr#27mar")
soup = BeautifulSoup(html, "html.parser")
res = [link.get('href') for link in soup.find_all('a')]
print (res)

Answer 2

预赛：

>>> import requests
>>> import bs4
>>> page = requests.get('http://chgk.tvigra.ru/letopis/?2016/2016_spr#27mar').content
>>> soup = bs4.BeautifulSoup(page, 'lxml')

完成此操作后，似乎识别 script 元素的最直接方法可能是使用此方法：

>>> scripts = soup.findAll('script', text=bs4.re.compile('cont = new Array();'))

然而，scripts 证明是一个空列表。（我不知道为什么。）

基本方法有效，如果我在脚本中选择不同的目标，但依赖 Javascript 脚本元素内容的确切格式似乎是不安全的。

>>> scripts = soup.find_all(string=bs4.re.compile('i=1979'))
>>> len(scripts)
1

不过，这对您来说可能已经足够了。请注意脚本末尾的 change 函数将被丢弃。

更安全的方法可能是查找包含的 table 元素，然后是其中的第二个 td 元素，最后是其中的 script。

>>> table = soup.find_all('table', class_='common_table')
>>> tds = table[0].findAll('td')[1]
>>> script = tds.find('script')

同样，您需要放弃函数 change。

如何从 HTML 中提取 URL

How to extract URL from an HTML

python

regex

beautifulsoup

urlopen