查找并将每个引用附加到html链接Python

Question

我有一个从Wikipedia获得的HTML文件，希望找到页面上的每个链接，例如/wiki/Absinthe，并将其替换为当前添加到前面的目录，例如/home/fergus/wikiget/wiki/Absinthe，因此：

<a href="/wiki/Absinthe">Absinthe</a>

变成：

^{pr2}$

整个文件都是这样。在

你有什么想法吗？我很乐意使用beauthulsoup或Regex！在

Answer 1

如果这真的是你要做的，你可以用sed和它的-i选项来重写文件：

sed -e 's,href="/wiki,href="/home/fergus/wikiget/wiki,' wiki-file.html

但是，这里有一个使用可爱的lxmlAPI的Python解决方案，以防您需要执行更复杂的操作，或者可能有格式错误的HTML等：

^{pr2}$

注意，lxml对于这类任务可能比BeautifulSoup更好，因为BeautifulSoup的作者给出了reasons。在

Answer 2

这是使用re模块的解决方案：

#!/usr/bin/env python
import re

open('output.html', 'w').write(re.sub('href="http://en.wikipedia.org', 'href="/home/fergus/wikiget/wiki/Absinthe', open('file.html').read()))

这是另一个没有使用re的方法：

^{pr2}$

Answer 3

可以使用函数re.sub公司公司名称：

def match(m):
    return '<a href="/home/fergus/wikiget' + m.group(1) + '">'

r = re.compile(r'<a\shref="([^"]+)">')
r.sub(match, yourtext)

例如：

^{pr2}$