Python抓取网页链接的四种方案及iframe处理详解

Cora

发布时间：2026-10-13 | 2人浏览过

原创

本文深入分析Python中获取当前页面所有链接的四种主流方法，涵盖正则表达式、BeautifulSoup、lxml及Selenium。重点指出iframe内容无法通过常规DOM解析获取的问题，并提供针对iframe的额外抓取策略，帮助开发者全面掌握网页数据提取技巧。

本文详细介绍Python中获取当前页面内所有链接的四种实现方式，旨在为读者提供实用的参考案例。

'''
得到当前页面所有连接
'''
import requests
import re
from bs4 import BeautifulSoup
from lxml import etree
from selenium import webdriver
url = 'http://www.testweb.com'
r = requests.get(url)
r.encoding = 'gb2312'
# 利用 re （太黄太暴力！）
matchs = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')" , r.text)
for link in matchs:
  print(link)
print()
# 利用 BeautifulSoup4 （DOM树）
soup = BeautifulSoup(r.text,'lxml')
for a in soup.find_all('a'):
  link = a['href']
  print(link)
print()
# 利用 lxml.etree （XPath）
tree = etree.HTML(r.text)
for link in tree.xpath("//@href"):
  print(link)
print()
# 利用selenium（要开浏览器！）
driver = webdriver.Firefox()
driver.get(url)
for link in driver.find_elements_by_tag_name("a"):
  print(link.get_attribute("href"))
driver.close()

需要特别注意：如果目标页面包含iframe元素，上述四种常规方法均无法直接获取iframe内部页面的标签内容。针对这种情况，必须采用额外的处理逻辑：

# 再打开所有iframe查找全部的a标签
for iframe in soup.find_all('iframe'):
  url_ifr = iframe['src'] # 取得当前iframe的src属性值 
  rr = requests.get(url_ifr)
  rr.encoding = 'gb2312'
  soup_ifr = BeautifulSoup(rr.text,'lxml')
  for a in soup_ifr.find_all('a'):
    link = a['href']
    m = re.match(r'http:\/\/.*?(?=\/)',link)
    #print(link)
    if m:
      all_urls.add(m.group(0))

此外，推荐以下两款高效的正则表达式辅助工具供开发者使用：

JavaScript正则表达式在线测试工具： http://tools.jb51.net/regex/javascript

正则表达式在线生成工具： http://tools.jb51.net/regex/create_reg

如需进一步了解Python相关知识，可查阅本站系列教程：《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》以及《Python文件与目录操作技巧汇总》。

希望上述内容能对您的Python编程实践有所帮助。