Python爬虫如何处理页面中的相对链接

问题描述

今天采集一个网站爬虫的时候，网站a标签中都是使用的相对链接。我获取到链接后无法直接使用来作为下一次请求获取详情页面。

解决方法

为了将相对链接转换为绝对链接，我们可以使用 Python 的?urllib.parse?模块中的?urljoin?函数。这个函数可以将一个基础 URL（base URL）和一个相对 URL 合并成一个绝对 URL。

下面是一个示例代码，展示了如何使用?urljoin?函数将相对链接补充完整：

from urllib.parse import urljoin  
  
# 页面完整链接  
base_url = "https://zjjcmspublic.oss-cn-hangzhou-zwynet-d01-a.internet.cloud.zj.gov.cn/jcms_files/jcms1/web3077/site/flash/tjj/Reports1/2023%E6%B5%99%E6%B1%9F%E7%BB%9F%E8%AE%A1%E5%B9%B4%E9%89%B4/indexcn.html"  
  
# 获取到的相对链接  
relative_url = "./cn/html/2-1 历年总户数和总人口数(年底数).html"  
  
# 使用 urljoin 将相对链接转换为绝对链接  
absolute_url = urljoin(base_url, relative_url)  
  
print(absolute_url)

运行这段代码后，absolute_url?变量将包含完整的 URL。这样你就可以使用这个完整的 URL 去获取你想要的数据了。