python - 匹配不需要的链接

Question

我编写了一个库，它通过从维基百科提取 href 链接并保存它们来创建持久层。我意识到我有一个我不关心的链接，该链接标记为 /wiki/Cookbook:Table_of_Contents。

模拟 !~(不匹配)并保持 Pythonic 的最佳方式是什么？

为了更好的上下文和理解，我会在 ruby​​ 中像这样解决这个问题:

if link =~ %r{^/wiki/Cookbook} && link !~ /Table_of_Contents/

我的代码:

def fetch_links(self, proxy):
    if not self._valid_proxy(proxy):
        raise ValueError('invalid proxy address: {}'.format(proxy))
    self.browser.set_proxies({'http': proxy})
    page = self.browser.open(self.wiki_recipes)
    html = page.read()

    link_tags = SoupStrainer('a', href=True)
    soup = BeautifulSoup(html, parse_only=link_tags)
    recipe_regex = r'^\/wiki\/Cookbook'
    return [link['href'] for link in soup.find_all('a') if
            re.match(recipe_regex, link['href'])]

Answer 1

有多种方法可以排除不需要的链接。

一种选择是 pass a function在 href 参数值中:

soup.find_all('a', href=lambda x: 'Table_of_Contents' not in x)

这会过滤掉 href 属性内没有 Table_of_Contents 的 a 标记。

示例:

from bs4 import BeautifulSoup

data = """
<div>
    <a href="/wiki/Cookbook:Table_of_Contents">cookbook</a>
    <a href="/wiki/legal_link">legal</a>
    <a href="http://google.com">google</a>
    <a href="/Table_of_Contents/">contents</a>
</div>
"""

soup = BeautifulSoup(data)
print [a.text for a in soup.find_all('a', href=lambda x: 'Table_of_Contents' not in x)]

打印:

[u'legal', u'google']