BeautifulSoup爬取页面URL三步走

爬虫利器BeautifulSoup爬取一个页面的所有URL,可以简单分为三个步骤:

  1. 使用requests获取页面内容
  2. 使用BeautifulSoup进行页面内容解析
  3. 提取并整理所需要的URL

代码实例

# 导入BeautifulSoup和requests模块
from bs4 import BeautifulSoup
import requests

# 获取字符串格式的html_doc。由于content为bytes类型,故需要decode()
html_doc = requests.get('https://xkcd.com/353/').content.decode()  
# 使用BeautifulSoup模块对页面文件进行解析
soup = BeautifulSoup(html_doc, 'html.parser')
# 查找所有tag为'a'的html元素,并生成列表
links = soup.find_all('a')
# 获取每个元素中'href'键对应的键值--即URL,并放入url_lst
url_lst = []
for item in links:
	url = item.get('href')
	url_lst.append(url)
# 过滤url_lst--仅保留包含http的URL
url_lst = list(filter(lambda url_str: 'http' in url_str, url_lst))
print(url_lst)

脚本运行结果,请看下图
这里写图片描述

©️2020 CSDN 皮肤主题: 创作都市 设计师:CSDN官方博客 返回首页