从html页面获取相关链接

Question

我只想从html页面提取相对URL；有人建议：

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

但它返回：

1/页面中的所有绝对和相对URL。在

2/url可以由""或''随机量化。在

Answer 1

使用the tool for the job：一个HTML parser，像^{}。在

您可以pass a function作为^{}的属性值，并检查href是否以http开头：

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^{}和checking for network location part：

^{pr2}$

两种解决方案都打印：

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