爬虫第二章笔记(1)

# -*- coding: utf-8 -*-
import urllib
from bs4 import BeautifulSoup
import re

"""

"""
def get_all_url(url):
    urls=[]
    web=urllib.urlopen(url)
    soup=BeautifulSoup(web.read())
    tags_a=soup.findAll(name='a',attrs={'href':re.compile("^https?://")})
    try:
        for tag_a in tags_a:
            urls.append(tag_a['href'])
    except:
        pass
    return urls
"""
replace("A","B",n):
A替换为B,替换n个。
如果没有参数n默认为全部替换
"""
#得到所有域名是freebuf.com的地址
def get_local_urls(url):
    local_urls=[]
    urls=get_all_url(url)
    for _url in urls:
        ret=_url
        if 'freebuf.com' in ret.replace('//','').split('/')[0]:
            local_urls.append(_url)
    return local_urls
#得到所有域名不是freebuf.com的地址
def get_remote_urls(url):
    remote_urls=[]
    urls=get_all_url(url)
    for _url in urls:
        ret=_url
        if "freebuf.com" not in ret.replace('//','').split('/')[0]:
           remote_urls.append(_url)
    return remote_urls
        
    
def __main__():
    url="http://freebuf.com/"
    rurls=get_remote_urls(url)
    print "-------------------------remote urls---------------"
    for ret in rurls:
        print ret
    print "-------------------------local urls----------------"
    lurls=get_local_urls(url)
    for ret in lurls:
        print ret

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值