Python獲取當前頁面內所有鏈接的四種方法對比分析

這篇文章主要介紹了Python獲取當前頁面內所有鏈接的方法,結合實例形式對比分析了Python常用的四種獲取頁面鏈接的方法,并附帶了iframe框架內鏈接的獲取方法,需要的朋友可以參考下

本文實例講述了Python獲取當前頁面內所有鏈接的四種方法。分享給大家供大家參考，具體如下：    
'''
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.testweb.com'
r = requests.get(url)
r.encoding = 'gb2312'
# 利用 re （太黃太暴力?。?br /> 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("http://@href"):
  print(link)
print()
# 利用selenium（要開瀏覽器?。?br /> 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))