如何从完整HTML文本中的<a>标签提取URL GET参数

Question

我有一个HTML页面，里面有很多不同的标签，大部分的标签在它们的href属性里都有一个叫做sessionid的GET参数。比如：

...
<a href="struct_view_distrib.asp?sessionid=11692390">
...
<a href="SHOW_PARENT.asp?sessionid=11692390">
...
<a href="nakl_view.asp?sessionid=11692390">
...
<a href="move_sum_to_7300001.asp?sessionid=11692390&mode_id=0">
...

你可以看到，sessionid的值是一样的，我只需要把这个值提取到一个变量里，不管是从哪个标签里提取：x=11692390。我对正则表达式还不太熟悉，但在网上找的资料没什么帮助。非常感谢！

Answer 1

我会这样做——在我被告知这是个Python的问题之前；)

<script>
function parseQString(loc) {
  var qs = new Array();
  loc = (loc == null) ? location.search.substring(1):loc.split('?')[1];
  if (loc) {
    var parms = loc.split('&');
    for (var i=0;i<parms.length;i++) {
      nameValue = parms[i].split('=');
      qs[nameValue[0]]=(nameValue.length == 2)? unescape(nameValue[1].replace(/\+/g,' ')):null; // use null or ""
    }
  }
  return qs;
}
var ids = []; // will hold the IDs
window.onload=function() {
  var links = document.links;
  var id;
  for (var i=0, n=links.length;i<n;i++) {
    ids[i] = parseQString(links[i].href)["sessionid"];
  }
  alert(ids); // remove this when happy
  // here you can do 
  alert(ids[3]); 
  //to get the 4th link's sessionid
}


</script>

<a href="struct_view_distrib.asp?sessionid=11692390">
...</a>
<a href="SHOW_PARENT.asp?sessionid=11692390">
...</a>
<a href="nakl_view.asp?sessionid=11692390">
...</a>
<a href="move_sum_to_7300001.asp?sessionid=11692390&mode_id=0">
...</a>

Answer 2

用一个能解析HTML的库来处理你的HTML代码，然后使用 getElementsByTagName('a') 来找到所有的链接。接着，逐个查看这些链接，使用 getAttribute('href') 来获取每个链接的地址，并提取出这个地址中的字符串。之后，你可以用正则表达式或者用 ? 来分割字符串，从中找到会话ID。

Answer 3

这段代码没有使用正则表达式，不过无论如何，这就是你在Python 2.6中该怎么做：

from BeautifulSoup import BeautifulSoup
import urlparse

soup = BeautifulSoup(html)
links = soup.findAll('a', href=True)

for link in links:
  href = link['href']
  url = urlparse.urlparse(href)
  params = urlparse.parse_qs(url.query)
  if 'sessionid' in params:
    print params['sessionid'][0]