从html页面获取相对链接

Question

我想从html页面中只提取相关的url;有人有这个提示：

find_re = re.compile(r'\bhref\s*=\s*("[^"]*"|\'[^\']*\'|[^"\'<>=\s]+)', re.IGNORECASE) 

但它返回：从页面

1 /所有的绝对和相对URL。

2 /该网址可以通过""或''随机报出。

Answer 1

使用the tool for the job：HTML parser，如BeautifulSoup。

可以pass a function作为一个属性值find_all()，并检查是否href开始与http：

from bs4 import BeautifulSoup 

data = """ 
<div> 
<a href="http://google.com">test1</a> 
<a href="test2">test2</a> 
<a href="http://amazon.com">test3</a> 
<a href="here/we/go">test4</a> 
</div> 
""" 
soup = BeautifulSoup(data) 
print soup.find_all('a', href=lambda x: not x.startswith('http')) 

或者，使用urlparse和checking for network location part：

def is_relative(url): 
    return not bool(urlparse.urlparse(url).netloc) 

print soup.find_all('a', href=is_relative) 

这两种解决方案打印：

[<a href="test2">test2</a>, 
<a href="here/we/go">test4</a>]