python - 获取页面 Python 上的所有 URL

Question

我正在做的事情需要我获取页面上的所有 URL。它似乎适用于我测试过的大多数网站，例如 microsoft.com，但它只从 google.com 返回三个。这是相关的源代码:

   import urllib
   import time
   import re
   fwcURL = "http://www.microsoft.com" #URL to read
   mylines = urllib.urlopen(fwcURL).readlines()
   print "Found URLs:"
   time.sleep(1) #Pause execution for a bit
   for item in mylines:
     if "http://" in item.lower(): #For http
       print item[item.index("http://"):].split("'")[0].split('"')[0] # Remove ' and " from the end, for example in href=
     if "https://" in item.lower(): #For https
       print item[item.index("https://"):].split("'")[0].split('"')[0] # Ditto

如果我的代码可以改进，或者如果有更好的方法来做到这一点，请回复。提前致谢!

Answer 1

尝试使用 Mechanize 或 BeautifulSoup 或 lxml。

通过使用 BeautifulSoup，您可以非常轻松地轻松获取所有 html/xml 内容。

import urllib2
from BeautifulSoup import BeautifulSoup
page = urllib2.urlopen("some_url")
soup = BeautifulSoup(page.read())
links = soup.findAll("a")
for link in links:
    print link["href"]

BeautifulSoup非常容易学习和理解。