Python 网络爬虫与信息获取（二）—— 页面内容提取

1. 获取超链接

python获取指定网页上所有超链接的方法

• links = re.findall(b’”((http|ftp)s?://.*?)”’, html)
• links = re.findall(b’href=”(.*?)”’)
  
  • html 为 url 返回的 html 内容，可通过以下方式获取
    • html = urllib.request.urlopen(url).read()
    • html = requests.get().text

2. 下载指定文件到指定路径

比如我们要爬取 http://courses.cs.vt.edu/~cs2704/fall01/Notes/ 链接下的所有 pdf 文件：

#coding: UTF-8
import requests
from urllib import request
import re
import os

url = 'http://courses.cs.vt.edu/~cs2704/fall01/Notes/'
r = requests.get(url)
files = re.findall('href="(.*?)"', r.text)

for file in files[1:]:
    request.urlretrieve(os.path.join(url, file), os.path.join('D:/data/', file))