2

我正在使用链接检查器来抓取英国政府网站,映射超链接之间的关系,并输出到 GML 文件。

我不想包含图像的 URL,例如任何包含 jpeg 或 png 文件格式参考的 URL(例如“www.gov.uk/somefile.jpeg”)。

--ignore-url我已经尝试了几个小时使用命令行参数和各种正则表达式来实现这一点。这是我放弃前的最后一次尝试:

linkchecker --ignore-url='(png|jpg|jpeg|gif|tiff|bmp|svg|js)$' -r1 --verbose --no-warnings -ogml/utf_8 --file-output=gml/utf_8/www.gov.uk_RECURSION_1_LEVEL_NO_IMAGES.gml https://www.gov.uk

任何人都可以请告知这是否可能,如果可以,请提出解决方案?

4

1 回答 1

3

琐事:

根据文档

--ignore-url=正则表达式

与给定正则表达式匹配的 URL 将被忽略且不检查。

该选项可以多次给出。

LinkChecker 接受 Python 正则表达式。有关介绍,请参阅http://docs.python.org/howto/regex.html。一个补充是前导感叹号否定正则表达式。

因此,我们可以轻松地使用 python 检查您的正则表达式,看看它为什么不起作用(实时测试):

import re

our_pattern = re.compile(r'(png|jpg|jpeg|gif|tiff|bmp|svg|js)$')
input_data = '''
www.gov.uk/
www.gov.uk/index.html
www.gov.uk/admin.html
www.gov.uk/somefile.jpeg
www.gov.uk/anotherone.png
'''

input_data = input_data.strip().split('\n')

for address in input_data:
    print('Address: %s\t Matched as Image: %s' % (address, bool(our_pattern.match(address))))
    #                                                           ^ or our_pattern.fullmatch

输出:

Address: www.gov.uk/     Matched as Image: False
Address: www.gov.uk/index.html   Matched as Image: False
Address: www.gov.uk/admin.html   Matched as Image: False
Address: www.gov.uk/somefile.jpeg    Matched as Image: False
Address: www.gov.uk/anotherone.png   Matched as Image: False

而且我认为,这里的问题是由于部分匹配,因此让我们尝试完全匹配(模式实时测试):

...
our_pattern = re.compile(r'.*(?:png|jpg|jpeg|gif|tiff|bmp|svg|js)$')
#                          ^ Note this (matches any character unlimited times)
...

...输出是:

Address: www.gov.uk/     Matched as Image: False
Address: www.gov.uk/index.html   Matched as Image: False
Address: www.gov.uk/admin.html   Matched as Image: False
Address: www.gov.uk/somefile.jpeg    Matched as Image: True
Address: www.gov.uk/anotherone.png   Matched as Image: True

解决方案:

如您所见,在您的尝试中,您的 URL 与给定的正则表达式不匹配,因此不会被忽略。唯一与正则表达式匹配的是列出的扩展名(png,jpg,...)。

为了克服这个问题 - 匹配扩展名之前的所有字符.*。另一个问题 - 包含引号。

从文档的例子:

不要检查 mailto: URL。所有其他链接都照常检查:

链接检查器 --ignore-url=^mailto: mysite.example.org

所以你最后的选择是:

--ignore-url=.*(?:png|jpg|jpeg|gif|tiff|bmp|svg|js)$

希望能帮助到你!

于 2017-07-12T08:25:26.220 回答