python爬虫获取网页的外链和内链（巨详细）

在开始之前，我们需要了解内链和外链到底是什么~

内链：同一网站域名下的内容页面之间的互相链接（自己网站的内容链接到自己网站的内部页面，也称之为站内链接）

外链：在自己的网站导入别人的网站（比如有些网站加入了百度这个链接，而百度就是这个网站的外链）

正文开始了,思路是先收集网页的所有链接，通过正则表达式筛选即可

通过观察可以发现外链一般以http或者www开始 那么我们的正则表达式可以写成

re.compile('^(http|www)((?!'+excludeUrl+').)*$')) (注释括号内的(?!'+excludeUrl+')意思是排除搜索的外链与网址相同）

而内链一般以 / 开头 那么正则表达式为    re.compile('^(/|.*'+includeUrl+')'))  .......这个正则表达式弄了半天也搞不懂，这里我就理解为匹配includeUrl+以/开头的内链接 或者 是以/开头的链接

代码如下:

运行效果:

积累：

 urllib.parse模块 ：用来解析url网址

语法: urlparse(url).xxx

xxx = {scheme(网络协议),netloc(服务器位置),path（路径）,params（参数）,query（查询条件）,fragment（片段）}

如 https://www.hahaha.com/local.zhangyuge?id=1

那么 scheme = 'https'

netloc = 'www.hahaha.com '

path =' local.zhangyuge'

query =' id=1'