使用 Python 从 href 中提取完整的 URL

Question

我正在做一个关于网络爬虫的项目，我需要找到给定网页中的所有链接。直到现在我在urllib.parse 中使用urljoin。但是现在我发现使用urljoin 函数没有正确连接一些链接。

例如<a> 标签可能类似于 <a href="a.xml?value=basketball">A</a>。然而，完整的地址可能是http://www.example.org/main/test/a.xml?value=basketball，但urljoin 函数会给出错误的结果（类似于http://www.example.com/a.xml?value=basketball）。

我正在使用的代码：

parentUrl = urlQueue.get()

html = get_page_source(parentUrl)

bSoup = BeautifulSoup(html, 'html.parser')
aTags = bSoup.find_all('a', href=True)

for aTag in aTags:
    childUrl = aTag.get('href')

    # just to check if the url is complete or not(for .com only)
    if '.com' not in childUrl:
        # this urljoin is giving invalid resultsas mentioned above
        childUrl = urljoin(parentUrl, childUrl)

有什么方法可以正确连接两个 URL，包括这些情况？

Answer 1

只需进行一些调整即可使其正常工作。在您的情况下，通过带有斜杠的基本 URI。完成此操作所需的一切都写在docs of urlparse

>>> import urlparse
>>> urlparse.urljoin('http://www.example.org/main/test','a.xml?value=basketball')
'http://www.example.org/main/a.xml?value=basketball'
>>> urlparse.urljoin('http://www.example.org/main/test/','a.xml?value=basketball')
'http://www.example.org/main/test/a.xml?value=basketball'

顺便说一句：这是一个完美的用例，可以将构建 URL 的代码分解为单独的函数。然后编写一些单元测试来验证它是否按预期工作，甚至可以处理你的边缘情况。然后在您的网络爬虫代码中使用它。