Python 및 BeautifulSoup을 사용하여 웹 페이지에서 링크 검색

Question

Python을 사용하여 웹페이지의 링크를 검색하고 링크의 URL 주소를 복사하려면 어떻게 해야 합니까?

Answer 1

다음은 BeautifulSoup의 Soupstrainer 클래스를 사용하는 짧은 스 니펫입니다.

import httplib2
from BeautifulSoup import BeautifulSoup, SoupStrainer

http = httplib2.Http()
status, response = http.request('http://www.nytimes.com')

for link in BeautifulSoup(response, parse_only=SoupStrainer('a')):
    if link.has_attr('href'):
        print(link['href'])

BeautifulSoup 문서는 실제로 매우 좋으며 여러 가지 일반적인 시나리오를 다룹니다.

http://www.crummy.com/software/beautifulsoup/documentation.html

편집 : 미리 구문 분석하는 것을 알고 있다면 수프 스트레인 클래스가 조금 더 효율적이기 때문에 (메모리와 속도 현명한) 사용했기 때문입니다.

Answer 2

완전성을 위해 BeautifulSoup 4 버전으로 서버에서 제공하는 인코딩을 사용합니다.

from bs4 import BeautifulSoup
import urllib2

resp = urllib2.urlopen("http://www.gpsbasecamp.com/national-parks")
soup = BeautifulSoup(resp, from_encoding=resp.info().getparam('charset'))

for link in soup.find_all('a', href=True):
    print link['href']

또는 Python 3 버전 :

from bs4 import BeautifulSoup
import urllib.request

resp = urllib.request.urlopen("http://www.gpsbasecamp.com/national-parks")
soup = BeautifulSoup(resp, from_encoding=resp.info().get_param('charset'))

for link in soup.find_all('a', href=True):
    print(link['href'])

그리고 The를 사용하는 버전 requests 도서관, 서면으로 Python 2와 3에서 작용합니다.

from bs4 import BeautifulSoup
from bs4.dammit import EncodingDetector
import requests

resp = requests.get("http://www.gpsbasecamp.com/national-parks")
http_encoding = resp.encoding if 'charset' in resp.headers.get('content-type', '').lower() else None
html_encoding = EncodingDetector.find_declared_encoding(resp.content, is_html=True)
encoding = html_encoding or http_encoding
soup = BeautifulSoup(resp.content, from_encoding=encoding)

for link in soup.find_all('a', href=True):
    print(link['href'])

그만큼 soup.find_all('a', href=True) 전화는 모두 찾습니다 <a> an이있는 요소 href 기인하다; 속성이없는 요소가 건너 뜁니다.

BeautifulSoup 3은 2012 년 3 월 개발 중단; 새로운 프로젝트는 실제로 BeautifulSoup 4를 항상 사용해야합니다.

바이트에서 html을 디코딩해야합니다. BeautifulSoup에. Decoding을 돕기 위해 HTTP 응답 헤더에있는 문자 세트의 BeautifulSoup을 알릴 수 있지만 ~할 수 있다 틀렸고 a <meta> HTML 자체에있는 헤더 정보이므로 위의 내부 클래스 방법을 사용하는 이유입니다. EncodingDetector.find_declared_encoding() 이러한 내장 인코딩 힌트가 잘못 구성된 서버를 통해 승리하는지 확인합니다.

와 함께 requests,, response.encoding 응답에 기본값이 라틴어 -1에 대한 속성 a text/* 문자 세트가 반환되지 않더라도 Mimetype. 이것은 HTTP RFC와 일치하지만 HTML 파싱과 함께 사용하면 고통 스럽기 때문에 해당 속성을 무시해야합니다. charset 컨텐츠 유형 헤더에 설정됩니다.

Answer 3

다른 사람들은 BeautifulSoup을 추천했지만 사용하는 것이 훨씬 낫습니다. LXML. 그 이름에도 불구하고, 그것은 또한 HTML을 구문 분석하고 긁는 것입니다. BeautifulSoup보다 훨씬 빠르며 BeautifulSoup (명성에 대한 주장)보다 "깨진"HTML을 더 잘 처리합니다. LXML API를 배우고 싶지 않다면 BeautifulSoup의 호환 API도 있습니다.

Ian Blicking은 동의합니다.

Google App Engine에 있거나 순전히 Python이 허용되지 않는 경우 더 이상 BeautifulSoup을 사용할 이유가 없습니다.

lxml.html도 CSS3 선택기를 지원하므로 이러한 종류의 일은 사소합니다.

LXML 및 XPath의 예는 다음과 같습니다.

import urllib
import lxml.html
connection = urllib.urlopen('http://www.nytimes.com')

dom =  lxml.html.fromstring(connection.read())

for link in dom.xpath('//a/@href'): # select the url in href for all a tags(links)
    print link

Answer 4

import urllib2
import BeautifulSoup

request = urllib2.Request("http://www.gpsbasecamp.com/national-parks")
response = urllib2.urlopen(request)
soup = BeautifulSoup.BeautifulSoup(response)
for a in soup.findAll('a'):
  if 'national-park' in a['href']:
    print 'found a url with national-park in the link'

Answer 5

다음 코드는 웹 페이지에서 사용 가능한 모든 링크를 검색하는 것입니다. urllib2 그리고 BeautifulSoup4:

import urllib2
from bs4 import BeautifulSoup

url = urllib2.urlopen("http://www.espncricinfo.com/").read()
soup = BeautifulSoup(url)

for line in soup.find_all('a'):
    print(line.get('href'))

Answer 6

후드 아래 BeautifulSoup은 이제 LXML을 사용합니다. 요청, LXML 및 목록 이해력은 킬러 콤보를 만듭니다.

import requests
import lxml.html

dom = lxml.html.fromstring(requests.get('http://www.nytimes.com').content)

[x for x in dom.xpath('//a/@href') if '//' in x and 'nytimes.com' not in x]

목록 comp에서 "if '//'및 'url.com'은 X에 있지 않음"은 사이트 '내부'내비게이션 URL 등의 URL 목록을 문지르는 간단한 방법입니다.

Answer 7

모든 링크를 찾으려면이 예에서는 rlib2 모듈을 Re.module과 함께 사용합니다.*Re 모듈에서 가장 강력한 기능 중 하나는 "re.findall ()"입니다. re.search ()는 패턴의 첫 번째 일치를 찾는 데 사용되지만 Re.findall ()을 찾습니다. 모두일치하는 것은 문자열 목록으로 반환하고, 각 문자열은 하나의 일치를 나타냅니다**

import urllib2

import re
#connect to a URL
website = urllib2.urlopen(url)

#read html code
html = website.read()

#use re.findall to get all the links
links = re.findall('"((http|ftp)s?://.*?)"', html)

print links

Answer 8

B.Soup 및 Regex없이 링크를 얻는 것만으로도 :

import urllib2
url="http://www.somewhere.com"
page=urllib2.urlopen(url)
data=page.read().split("</a>")
tag="<a href=\""
endtag="\">"
for item in data:
    if "<a href" in item:
        try:
            ind = item.index(tag)
            item=item[ind+len(tag):]
            end=item.index(endtag)
        except: pass
        else:
            print item[:end]

더 복잡한 작업의 경우 물론 BSOUP가 여전히 선호됩니다.

Answer 9

정규 표현식을 사용하지 않는 이유 :

import urllib2
import re
url = "http://www.somewhere.com"
page = urllib2.urlopen(url)
page = page.read()
links = re.findall(r"<a.*?\s*href=\"(.*?)\".*?>(.*?)</a>", page)
for link in links:
    print('href: %s, HTML text: %s' % (link[0], link[1]))

Answer 10

이 스크립트는 귀하가 찾고있는 작업을 수행하지만 절대 링크에 대한 상대적 링크를 해결합니다.

import urllib
import lxml.html
import urlparse

def get_dom(url):
    connection = urllib.urlopen(url)
    return lxml.html.fromstring(connection.read())

def get_links(url):
    return resolve_links((link for link in get_dom(url).xpath('//a/@href')))

def guess_root(links):
    for link in links:
        if link.startswith('http'):
            parsed_link = urlparse.urlparse(link)
            scheme = parsed_link.scheme + '://'
            netloc = parsed_link.netloc
            return scheme + netloc

def resolve_links(links):
    root = guess_root(links)
    for link in links:
        if not link.startswith('http'):
            link = urlparse.urljoin(root, link)
        yield link  

for link in get_links('http://www.google.com'):
    print link

Answer 11

링크는 다양한 속성 내에 있을 수 있으므로 해당 속성 목록을 전달하여 선택할 수 있습니다.

예를 들어 src 및 href 속성이 있습니다. 여기서는 ^ 연산자로 시작을 사용하여 이러한 속성 값 중 하나가 http로 시작하도록 지정합니다.필요에 따라 이를 맞춤화할 수 있습니다.

from bs4 import BeautifulSoup as bs
import requests
r = requests.get('https://stackoverflow.com/')
soup = bs(r.content, 'lxml')
links = [item['href'] if item.get('href') is not None else item['src'] for item in soup.select('[href^="http"], [src^="http"]') ]
print(links)

속성 = 값 선택자

[속성^=값]

값이 값 앞에 붙는 속성 이름 attr을 갖는 요소를 나타냅니다.

Answer 12

다음은 @ARS 수락 된 답변을 사용하는 예입니다. BeautifulSoup4, requests, 그리고 wget 다운로드를 처리하는 모듈.

import requests
import wget
import os

from bs4 import BeautifulSoup, SoupStrainer

url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/eeg-mld/eeg_full/'
file_type = '.tar.gz'

response = requests.get(url)

for link in BeautifulSoup(response.content, 'html.parser', parse_only=SoupStrainer('a')):
    if link.has_attr('href'):
        if file_type in link['href']:
            full_path = url + link['href']
            wget.download(full_path)

Answer 13

다음과 같은 수정 후 @blairg23의 답변을 찾았습니다 (올바르게 작동하지 않은 시나리오를 다루고 있음).

for link in BeautifulSoup(response.content, 'html.parser', parse_only=SoupStrainer('a')):
    if link.has_attr('href'):
        if file_type in link['href']:
            full_path =urlparse.urljoin(url , link['href']) #module urlparse need to be imported
            wget.download(full_path)

파이썬 3 :

urllib.parse.urljoin 대신 전체 URL을 얻으려면 사용해야합니다.

Answer 14

Beatifulsoup의 자체 파서는 느릴 수 있습니다. 사용하기가 더 가능할 수 있습니다 LXML URL에서 직접 구문 분석 할 수 있습니다 (아래 언급 된 일부 제한 사항).

import lxml.html

doc = lxml.html.parse(url)

links = doc.xpath('//a[@href]')

for link in links:
    print link.attrib['href']

위의 코드는 링크를 그대로 반환하며 대부분의 경우 사이트 루트에서 상대적 링크 또는 절대입니다. 내 유스 케이스는 특정 유형의 링크 만 추출하는 것이 었으므로 아래는 링크를 전체 URL로 변환하고 선택적으로 GLOB 패턴을 수용하는 버전입니다. *.mp3. 그것은 상대 경로에서 단일 및 이중 점을 처리하지는 않지만 지금까지는 필요하지 않았습니다. 포함 된 URL 조각을 구문 분석 해야하는 경우 ../ 또는 ./ 그 다음에 urlparse.urljoin 유용 할 수 있습니다.

노트: Direct LXML URL 파싱은로드를 처리하지 않습니다 https 그리고 리디렉션을 수행하지 않으므로 아래 버전이 사용 중입니다. urllib2 + lxml.

#!/usr/bin/env python
import sys
import urllib2
import urlparse
import lxml.html
import fnmatch

try:
    import urltools as urltools
except ImportError:
    sys.stderr.write('To normalize URLs run: `pip install urltools --user`')
    urltools = None


def get_host(url):
    p = urlparse.urlparse(url)
    return "{}://{}".format(p.scheme, p.netloc)


if __name__ == '__main__':
    url = sys.argv[1]
    host = get_host(url)
    glob_patt = len(sys.argv) > 2 and sys.argv[2] or '*'

    doc = lxml.html.parse(urllib2.urlopen(url))
    links = doc.xpath('//a[@href]')

    for link in links:
        href = link.attrib['href']

        if fnmatch.fnmatch(href, glob_patt):

            if not href.startswith(('http://', 'https://' 'ftp://')):

                if href.startswith('/'):
                    href = host + href
                else:
                    parent_url = url.rsplit('/', 1)[0]
                    href = urlparse.urljoin(parent_url, href)

                    if urltools:
                        href = urltools.normalize(href)

            print href

사용법은 다음과 같습니다.

getlinks.py http://stackoverflow.com/a/37758066/191246
getlinks.py http://stackoverflow.com/a/37758066/191246 "*users*"
getlinks.py http://fakedomain.mu/somepage.html "*.mp3"

Answer 15

import urllib2
from bs4 import BeautifulSoup
a=urllib2.urlopen('http://dir.yahoo.com')
code=a.read()
soup=BeautifulSoup(code)
links=soup.findAll("a")
#To get href part alone
print links[0].attrs['href']