使用Python 3进行网络抓取

Question

在抓取一个网站后，我已经检索到了所有的html链接。在将它们设置为set()之后，为了删除任何重复项，我仍在检索某些值。如何从链接集中删除'#'，'#content'，‘#uscb nav-skip-header’，'/'，None的值。

from bs4 import BeautifulSoup
import urllib
import re

#Gets the html code for scrapping
r = urllib.request.urlopen('https://www.census.gov/programs-surveys/popest.html').read()

#Creates a beautifulsoup object to run
soup = BeautifulSoup(r, 'html.parser')

#Set removes duplicates
lst2 = set()
for link in soup.find_all('a'):
    lst2.add(link.get('href'))
lst2

{'#',
 '#content',
 '#uscb-nav-skip-header',
 '/',
 '/data/tables/time-series/demo/popest/pre-1980-county.html',
 '/data/tables/time-series/demo/popest/pre-1980-national.html',
 '/data/tables/time-series/demo/popest/pre-1980-state.html',
 '/en.html',
 '/library/publications/2010/demo/p25-1138.html',
 '/library/publications/2010/demo/p25-1139.html',
 '/library/publications/2015/demo/p25-1142.html',
 '/programs-surveys/popest/data.html',
 '/programs-surveys/popest/data/tables.html',
 '/programs-surveys/popest/geographies.html',
 '/programs-surveys/popest/guidance-geographies.html',
 None,
 'https://twitter.com/uscensusbureau',
 ...}

Answer 1

URL中的字符# (及其后面的所有内容)与浏览器相关，但在发出web请求时与服务器无关，因此将这些部分从URL中去掉是很好的。这将保留'#content'之类的URL为空，但也会将'/about#contact'更改为'/about'，这实际上正是您想要的。然后，我们只需要一条if语句来将非空字符串添加到集合中。这也会同时过滤掉None：

lst2 = set()
for link in soup.find_all('a'):
    url = link.get('href')
    url = url.split('#')[0]
    if url:
        lst2.add(url)

如果您特别想要排除'/' (尽管它是一个有效的URL)，您可以简单地在末尾编写lst2.discard('/')。由于lst2是一个集合，如果它在那里，这将删除它，如果它不在，则什么也不做。

Answer 2

您可以遍历集合并使用regex过滤集合中的每个元素。对于None，您可以简单地检查该值是否为None。

Answer 3

尝试执行以下操作：

set(link.get('href') for link in soup.findAll(name='link') if link.has_attr("href"))