Python(BeautifulSoup) - 从 <script> 获取 href

Question

我正在开发“视频下载器”，但我在使用 BeautifulSoup4 时遇到了一个问题。

这是 html 的一部分，我想从中获取 href:

<script src="/static/common.js?v7"></script>
<script type="text/javascript">
            var c = 6;
            window.onload = function() {
                count();
            }

            function closeAd(){
                $("#easy-box").hide();
            }

            function notLogedIn(){
                $("#not-loged-in").html("You need to be logged in to download this movie!");
            }

            function count() {
                if(document.getElementById('countdown') != null){
                    c -= 1;
                    //If the counter is within range we put the seconds remaining to the <span> below 
                    if (c >= 0) 
                        if(c == 0){
                            document.getElementById('countdown').innerHTML = '';
                        }
                        else {
                            document.getElementById('countdown').innerHTML = c; 
                        }
                    else {
                        document.getElementById('download-link').innerHTML = '<a style="text-decoration:none;" href="http://s896.vshare.io/download,9999999999999999999999999999999999999999-f6192405453bf5ff3cfe41a488d8390d,5944ed28,4d948c5.avi">Click here</a> to download requested file.';
                        return;
                    }           
                    //setTimeout('count()', 1000);
                }
            }
        </script>
<script type="text/javascript" src="/static/flowplayer/flowplayer-3.2.13.min.js"></script>

这是我要打印的 href:

href="http://s896.vshare.io/download,9999999999999999999999999999999999999999-f6192405453bf5ff3cfe41a488d8390d,5944ed28,4d948c5.avi"

我尝试过这个，但它不起作用。

for a in soup3.find_all('a'):
    if 'href' in a.attrs:
        print(a['href'])

Answer 1

Beautiful Soup 可以解析 HTML 和 XML，但不能解析 JavaScript。您可以使用正则表达式来搜索此代码。
使用<a [^>]*?(href=\"([^\">]+)\")您可以匹配此代码中的所有内容:

• <a - 是 a标签
• [^>]*? - 可以包含 > 之外的任何字符
• href=" - 有href
• [^\">]+ - 具有除 " 之外的任意数量的字符和>

要从 html 中提取脚本代码，您可以使用
script = soup.find('script', {'type': 'text/javascript'})
然后解析它，使用
re.search(r"<a [^>]*?(href=\"([^\">]+)\")", script.text)
记得import re首先。

print(re.search(r"<a [^>]*?(href=\"([^\">]+)\")", script.text)[1])
# href="http://s896.vshare.io/download,9999999999999999999999999999999999999999-f6192405453bf5ff3cfe41a488d8390d,5944ed28,4d948c5.avi
print(re.search(r"<a [^>]*?(href=\"([^\">]+)\")", script.text)[2])
# http://s896.vshare.io/download,9999999999999999999999999999999999999999-f6192405453bf5ff3cfe41a488d8390d,5944ed28,4d948c5.avi

了解正则表达式。如果您要经常使用模式，请先编译它。
https://docs.python.org/3/library/re.html