1

我有一个 Python 程序，可以打印出某个站点的链接。它看起来像这样：

import urllib
import re
import mechanize
import urlparse

url = "http://sparkbrowser.com"

#Mechanize
br = mechanize.Browser()
br.set_handle_robots(False)
br.addheaders = [('User-agent', 'Firefox')]
br.open(url)


for link in br.links():
newurl = urlparse.urljoin(link.base_url, link.url)
b1 = urlparse.urlparse(newurl).hostname
b2 = urlparse.urlparse(newurl).path
wholeLink = "http://"+b1+b2
    linkTxt = link.text
    print wholeLink
    print linkTxt

这给了我这样的输出（为此我缩短了结果）：

http://twitter.com/sparkbrowser
Twitter[IMG]
http://facebook.com/sparkbrowser
Facebook[IMG]
http://www.flickr.com/photos/sparkbrowser
Flickr[IMG]
http://youtube.com/sparkbrowser
Youtube[IMG]
http://vimeo.com/user7123627
Vimeo[IMG]
http://plus.google.com/103169821052890438536
Google[IMG]
http://sparkbrowser.com/index.php
Home
http://sparkbrowser.com/download.php
Download
http://sparkbrowser.com/about.php
About

如何排除那些包含[IMG]在文本中的结果？

我已经尝试过regex，.search()但我失败了。我需要类似 iflink.text != ('*[IMG]')打印出来的东西，但我不知道如何正确实现它......

欢迎任何建议！

4

2 回答 2

1

使用in运算符。

...
for link in br.links():
    newurl = urlparse.urljoin(link.base_url, link.url)
    b1 = urlparse.urlparse(newurl).hostname
    b2 = urlparse.urlparse(newurl).path
    wholeLink = "http://"+b1+b2
    linkTxt = link.text
    if '[IMG]' in linkTxt:
        continue
    print wholeLink
    print linkTxt

或者，not in

...
for link in br.links():
    ...
    if '[IMG]' not in linkTxt:
        print wholeLink
        print linkTxt

交互式 shell 会话示例

>>> '[IMG]' in 'Stackoverflow [IMG]'
True
>>> '[IMG]' not in 'Stackoverflow [IMG]'
False
>>> '[IMG]' in 'Stackoverflow'
False
>>> '[IMG]' not in 'Stackoverflow'
True

请参阅序列类型 — str、unicode、...

于 2013-08-05T07:33:14.017 回答
1

最好通过将text_regex参数传递给来过滤链接br.links()：

for link in br.links(text_regex=re.compile('^((?!IMG).)*$'))

'^((?!IMG).)*$'匹配其中不包含IMG的所有链接文本。

希望有帮助。

于 2013-08-05T07:33:52.050 回答