- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我必须检索嵌套在网页中的 URL。我尝试了以下代码,但没有找到主链接(指向 PDF)的 URL。
import urllib2
from bs4 import BeautifulSoup
url = "http://www.cmc.gv.ao/sites/main/pt/Paginas/genericFileList.aspx?mid=9&smid=69&FilterField1=TipoConteudo_x003A_Code&FilterValue1=ENTREG"
conn = urllib2.urlopen(url)
html = conn.read()
soup = BeautifulSoup(html)
links = soup.find_all('a')
for tag in links:
link = tag.get('href',None)
if link is not None:
print link
我想找的网址是网页上的主链接:
在 bs4 文档中,它说 find_all() 方法会查看标记的后代(直接子代、直接子代的子代等)并检索所有 与您的过滤器匹配的后代。 p>
如何从网页中获取 URL?
最佳答案
pdf 路径 是使用 ajax 请求检索的,您需要做一些工作来模仿该请求:
import urllib2
from bs4 import BeautifulSoup
import re
url = "http://www.cmc.gv.ao/sites/main/pt/Paginas/genericFileList.aspx?mid=9&smid=69&FilterField1=TipoConteudo_x003A_Code&FilterValue1=ENTREG"
conn = urllib2.urlopen(url)
html = conn.read()
# we need to pass in the getbyid value which we parse later
attach = "http://www.cmc.gv.ao/sites/main/pt/_api/web/lists/getbyid('{}')/items(89)/AttachmentFiles"
soup = BeautifulSoup(html)
# the getbyid is contained inside a script tag, this will pull what er need from it.
patt = re.compile('ctx.editFormUrl\s+=\s+"(.*?)"')
# find that script.
scr = soup.find("script",text=re.compile("ctx.editFormUrl"))
# line we are getting looks like ctx.editFormUrl = "http://www.cmc.gv.ao/sites/main/pt/_layouts/15/listform.aspx?PageType=6&ListId=%7BC0527FB1%2D00D9%2D4BCF%2D8FFC%2DDFCAA9E9E51D%7D";
# we need the ListId
ctx = patt.search(scr.text).group(1)
# pull ListId, and pass it to url
soup2 = BeautifulSoup(urllib2.urlopen(attach.format(ctx.rsplit("=")[-1])).read())
# ^^ returns xml, we need to find the pdf path from that, it starts with /sites/main/pt/List.
pdf_path = soup2.find(text=re.compile("^/sites/main/pt/List"))
然后你需要加入到base url:
from urlparse import urljoin
# join our parsed path to the base
full_url = urljoin("http://www.cmc.gv.ao", pdf_path)
print(full_url)
我们还需要引用和编码:
from urllib import quote
from urlparse import urljoin
# handle non-ascii and encode
full_url = urljoin("http://www.cmc.gv.ao", quote(pdf_path.encode("utf-8")))
最后写:
from urlparse import urljoin
from urllib import quote
full_url = urljoin("http://www.cmc.gv.ao", quote(pdf_path.encode("utf-8")))
from os.path import basename
with open(basename(pdf_path.encode("utf-8")), "wb") as f:
f.writelines(urllib2.urlopen(full_url))
这将为您提供一个名为 Lista de Instituições Registadas (actualizado 24.10.16).pdf
的 pdf 文件如果您使用请求,它会为您完成很多工作:
import requests
from bs4 import BeautifulSoup
import re
from urlparse import urljoin
from os.path import basename
url = "http://www.cmc.gv.ao/sites/main/pt/Paginas/genericFileList.aspx?mid=9&smid=69&FilterField1=TipoConteudo_x003A_Code&FilterValue1=ENTREG"
conn = requests.get(url)
html = conn.content
attach = "http://www.cmc.gv.ao/sites/main/pt/_api/web/lists/getbyid('{}')/items(89)/AttachmentFiles"
soup = BeautifulSoup(html)
links = soup.find_all('a')
patt = re.compile('ctx.editFormUrl\s+=\s+"(.*?)"')
scr = soup.find("script",text=re.compile("ctx.editFormUrl"))
ctx = patt.search(scr.text).group(1)
soup2 = BeautifulSoup(requests.get(attach.format(ctx.rsplit("=")[-1])).content)
pdf_path = soup2.find(text=re.compile("/sites/main/pt/List"))
full_url = urljoin("http://www.cmc.gv.ao", pdf_path.encode("utf-8"))
with open(basename(pdf_path.encode("utf-8")), "wb") as f:
f.writelines(requests.get(full_url))
关于Python 2.7 - 使用 ajax 搜索网页上的特定 URL,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40218463/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!