在 Python 中从 HTML 中提取链接答案

【问题标题】：Extracting links from HTML in Python在 Python 中从 HTML 中提取链接
【发布时间】：2013-08-29 15:26:02
【问题描述】：

我基本上必须制作一个程序，该程序接受用户输入的网址并解析 html 以查找链接。然后将所有链接以某种格式存储在另一个 HTML 文件中。我只能访问内置的 python 模块（python 3）。我能够使用 urllib.request 从链接中获取 HTML 代码并将其放入字符串中。我将如何实际从该字符串中提取链接并将它们放入字符串数组中？也可以识别链接（例如图像链接/ mp3链接），以便我可以将它们放入不同的数组中（然后我可以在创建输出文件时对它们进行分类）

【问题讨论】：

标签： python html python-3.x html-parsing

【解决方案1】：

您可以使用re 模块来解析链接的HTML 文本。特别是findall 方法可以返回每一个匹配。

就文件类型排序而言，取决于 url 是否实际包含扩展名（即 .mp3、.js、.jpeg 等...）

你可以像这样做一个简单的 for 循环：

import re
html = getHTMLText()
mp3s = []
other = []
for match in re.findall('<reexpression>',html):
    if match.endswith('.mp3'):
        mp3s.append(match)
    else:
        other.append(match)

【讨论】：

是的，我必须参加正则表达式速成课程，但这很有效:)

【解决方案2】：

尝试使用 HTML.Parser 库或 re 库他们会帮助你做到这一点我认为你可以使用正则表达式来做到这一点

r'http[s]?://[^\s"]+|www.[^\s"]+

【讨论】：