Python -当url可能被重写时，确定正确的基本url

Question

我通常的查找完整url的方法是：

resp = urllib.request.urlopen('http://www.example.com')
base_url = resp.geturl()
# find the wanted (relative) url in the resp by using BeautifulSoup4
full_url = urljoin(base_url, relative_url)

然而，对于一些网站，比如http://www.titanquest.net/tq-forum/forums/72-Underlord，base_url和full_url是错误的，因为url被重写了(我假设)，如下所示：

>>> full_url
'http://www.titanquest.net/tq-forum/forums/72-Underlord'
>>> relative_url
'threads/43456-Epic-items?s=26260c54fd856499bff7a57e3c7ceb94'
>>> urljoin(full_url, relative_url)
'http://www.titanquest.net/tq-forum/forums/threads/43456-Epic-items?s=26260c54fd856499bff7a57e3c7ceb94'

正确的url应该是：

http://www.titanquest.net/tq-forum/threads/43456-Epic-items?s=26260c54fd856499bff7a57e3c7ceb94

我的问题是如何生成正确的base_url和full_url。

Answer 1

您的浏览器通常确实使用当前页面的位置作为相对URL的基础，并且您使用urljoin可以正确地模拟这种行为。

但是，如果返回的超文本标记语言包含 tag，浏览器将使用由该标记命名的url作为解析相对url的基础。<base />标签是HTML头的一部分。

您需要解析http://www.titanquest.net/tq-forum/forums/72-Underlord的响应以确定是否存在这样的标记，然后使用其值而不是页面的URL来确定相对URL。<base href="link" />链接值本身可以是相对，在这种情况下，您必须首先根据文档位置将其设置为绝对。

在这种情况下，网页包含这样的<base />标记：

<base href="http://www.titanquest.net/tq-forum/" /><!--[if IE]></base><![endif]-->