从特定页面抓取某些URL

Question

我正在尝试从一个页面中抓取所有的URLS，这些URLS都与一个主题相关。

我用漂亮的汤来做这件事。

我目前的尝试是

urls = soup.find_all('a', href=True)

但是页面上有很多额外的URLS，我不想刮掉。

该页面是：https://www.basketball-reference.com/players/

我想要抓取所有玩家的名字以及他们的参考代码，例如

 <a href="/players/a/allenra02.html">Ray Allen</a>,

会将'Ray Allen/allenra02‘添加到列表中。

我如何添加一个所需的前缀到一个网址搜索使用美丽的汤？例如'players/‘

Answer 1

您可以使用已编译的正则表达式作为.find_all()中的href=参数。

例如：

import re
import requests
from bs4 import BeautifulSoup


url = 'https://www.basketball-reference.com/players/'
soup = BeautifulSoup(requests.get(url).content, 'html.parser')

r = re.compile(r'/players/.+/(.*?)\.html')
out = []
for a in soup.find('ul', class_="page_index").find_all('a', href=r):
    out.append('{}/{}'.format(a.get_text(strip=True), r.search(a['href']).group(1)))

from pprint import pprint
pprint(out)

打印：

['Kareem Abdul-Jabbar/abdulka01',
 'Ray Allen/allenra02',
 'LaMarcus Aldridge/aldrila01',
 'Paul Arizin/arizipa01',
 'Carmelo Anthony/anthoca01',
 'Tiny Archibald/architi01',
 'Charles Barkley/barklch01',
 'Kobe Bryant/bryanko01',
 'Larry Bird/birdla01',
 'Walt Bellamy/bellawa01',
 'Rick Barry/barryri01',
 'Chauncey Billups/billuch01',
 'Wilt Chamberlain/chambwi01',
 'Vince Carter/cartevi01',
 'Maurice Cheeks/cheekma01',
 'Stephen Curry/curryst01',

...and so on.

Answer 2

尝尝这个,

import requests

url = 'https://www.basketball-reference.com/players/'
soup = BeautifulSoup(requests.get(url).text, "html.parser")

ul = soup.find("ul", attrs={'class':"page_index"})

for li in ul.findAll("li"):
    # ignore the first value (index A,B...)
    for player in li.select("a")[1:]:
        print(
            player.text + "/" + player['href'].split("/")[-1].replace(".html", "")
        )

Kareem Abdul-Jabbar/abdulka01
Ray Allen/allenra02
LaMarcus Aldridge/aldrila01
...
...