獲取當前頁面的所有鏈接的四種方法對比（python 爬蟲）

 

'''
得到當前頁面所有連接
'''

import requests

import re
from bs4 import BeautifulSoup
from lxml import etree
from selenium import webdriver

url = 'http://www.ok226.com'
r = requests.get(url)
r.encoding = 'gb2312'


# 利用 re （太黃太暴力！）
matchs = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')" , r.text)
for link in matchs:
    print(link)
    
print()


# 利用 BeautifulSoup4 （DOM樹）
soup = BeautifulSoup(r.text,'lxml')
for a in soup.find_all('a'):
    link = a['href']
    print(link)
    
print()


# 利用 lxml.etree （XPath）
tree = etree.HTML(r.text)
for link in tree.xpath("//@href"):
    print(link)
    
print()


# 利用selenium（要開瀏覽器！）
driver = webdriver.Firefox()
driver.get(url)
for link in driver.find_elements_by_tag_name("a"):
    print(link.get_attribute("href"))
driver.close()

 

 

注意：若頁面中含有 iframe，則 iframe 內所包含頁面的所有標簽都無法用以上四種方法獲得！！！此時則要：

# 再打開所有iframe查找全部的a標簽
for iframe in soup.find_all('iframe'):
    url_ifr = iframe['src'] # 取得當前iframe的src屬性值 

    rr = requests.get(url_ifr)
    rr.encoding = 'gb2312'

    soup_ifr = BeautifulSoup(rr.text,'lxml')

    for a in soup_ifr.find_all('a'):
        link = a['href']
        m = re.match(r'http:\/\/.*?(?=\/)',link)
        #print(link)
        if m:
            all_urls.add(m.group(0))