這篇文章主要介紹了Python獲取當前頁面內所有鏈接的方法,結合實例形式對比分析了Python常用的四種獲取頁面鏈接的方法,並附帶了iframe框架內鏈接的獲取方法,需要的朋友可以參考下
本文實例講述了Python獲取目前頁面內所有連結的四種方法。分享給大家供大家參考，具體如下：
'''
得到当前页面所有连接
'''
import requests
import re
from bs4 import BeautifulSoup
from lxml import etree
from selenium import webdriver
url = 'http://www.testweb.com'
r = requests.get(url)
r.encoding = 'gb2312'
# 利用 re （太黄太暴力！）
matchs = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')" , r.text)
for link in matchs:
print(link)
print()
# 利用 BeautifulSoup4 （DOM树）
soup = BeautifulSoup(r.text,'lxml')
for a in soup.find_all('a'):
link = a['href']
print(link)
print()
# 利用 lxml.etree （XPath）
tree = etree.HTML(r.text)
for link in tree.xpath("//@href"):
print(link)
print()
# 利用selenium（要开浏览器！）
driver = webdriver.Firefox()
driver.get(url)
for link in driver.find_elements_by_tag_name("a"):
print(link.get_attribute("href"))
driver.close()#注意：若頁面中含有iframe，則iframe 內所包含頁面的所有標籤都無法用以上四種方法獲得！ ！ ！此時則要：
# 再打开所有iframe查找全部的a标签
for iframe in soup.find_all('iframe'):
url_ifr = iframe['src'] # 取得当前iframe的src属性值
rr = requests.get(url_ifr)
rr.encoding = 'gb2312'
soup_ifr = BeautifulSoup(rr.text,'lxml')
for a in soup_ifr.find_all('a'):
link = a['href']
m = re.match(r'http:\/\/.*?(?=\/)',link)
#print(link)
if m:
all_urls.add(m.group(0))以上是Python使用四種方法實現獲取當前頁面內所有連結的對比分析的詳細內容。更多資訊請關注PHP中文網其他相關文章！
