使用Python从href中提取完整的URL

Question

我正在做一个项目的网页爬行，我需要找到所有的链接在一个给定的网页。到目前为止，我在urllib.parse中使用urljoin。但是现在我发现有些链接没有使用urljoin函数正确连接。在

例如，<a>标记可能类似于<a href="a.xml?value=basketball">A</a>。但是完整的地址可能是http://www.example.org/main/test/a.xml?value=basketball，但是urljoin函数将给出错误的结果（类似于http://www.example.com/a.xml?value=basketball）。在

我使用的代码：

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)

有没有什么方法可以让我正确地连接两个url，包括这些情况？在

Answer 1

只是做了些小动作。在您的例子中，传递带有斜杠的基URI。完成此操作所需的所有内容都将写入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的代码分解成一个单独的函数。然后编写一些单元测试来验证它是否按预期工作，甚至可以处理边缘情况。然后在你的网络爬虫代码中使用它。在