Python可以在重写url时确定正确的基url

Question

我找到完整url的常用方法是：

resp = urllib.request.urlopen('http://www.example.com')
base_url = resp.geturl()
# find the wanted (relative) url in the resp by using BeautifulSoup4
full_url = urljoin(base_url, relative_url)

但是，对于某些网站，如http://www.titanquest.net/tq-forum/forums/72-Underlord，基本url和完整url都是错误的，因为url被重写（我假设），如下所示：

^{pr2}$

正确的url应该是：

http://www.titanquest.net/tq-forum/threads/43456-Epic-items?s=26260c54fd856499bff7a57e3c7ceb94

我的问题是如何生成正确的基本url，从而生成完整的url。在

Answer 1

您的浏览器通常确实使用当前页面的位置作为相对url的基础，而使用urljoin可以正确地模拟这种行为。在

但是，如果返回的HTML包含一个^{} tag，浏览器将使用由该标记命名的url作为解析相对url的基础。<base />标记是HTML头部的一部分。在

您需要解析http://www.titanquest.net/tq-forum/forums/72-Underlord的响应以确定是否存在这样的标记，然后使用其其值而不是页面的URL来确定相对URL。<base href="link" />链接值本身可能是相对的，在这种情况下，必须首先根据文档位置将其设为绝对值。在

在这种特殊情况下，网页包含这样一个<base />标记：

<base href="http://www.titanquest.net/tq-forum/" /><! [if IE]></base><![endif] >