質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

88.19%

pythonでのwebスクレイピングで作成したURLリストから特定の文字を含むURLのみを取得する方法について

解決済

回答 2

投稿

  • 評価
  • クリップ 0
  • VIEW 249

kkk12

score 15

現在pythonでwebスクレイピングを行っています。
URLリスとを作成するところまでは実現できたのですが、リスト内のURLには関係ないURLも含まれております。
そこで"https://****/Forum/ja/"を含むURLのみを抽出したいと考え実装を行っておりますが、実現できません。
どの様にすればよろしいでしょうか?お力添えよろしくお願いいたします。

from bs4 import BeautifulSoup
import requests

# アクセスするURL
url = "https://****/Forum/ja/home"

# htmlを取得、BeautifulSoupで扱う

r = requests.get(url)
soup = BeautifulSoup(r.content, 'html.parser') # BeautifulSoupの初期化

tags = soup.find_all("a")
for tag in tags:
  print(tag.get("href"))
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 2

check解決した方法

0

パターンリストを作成しURLのみを抽出しました。
お力を貸してくださった回答者様ありがとうございました。

pattern = "https?://[\w/:%#\$&\?\(\)~\.=\+\-]+"
text = url_list
url_list = re.findall(pattern, text)
print(url_list)

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

0

reで正規表現しましょう。

import re

href = tag.get("href")
if re.match(r'https://.+/Forum/ja/', href):
    print(herf)


条件がこれだけならもっと単純に

if href[:8] == 'https://' and href[-10:] == '/Forum/ja/':
    print(herf)


でもいいですね。

ただし、リンクがhttpsまで入った絶対パスで書いてあるとは限らないのでurllib.parse.urljoinで絶対パスにしたほうがいいと思います。

from urllib.parse import urljoin

href = urljoin(url, tag.get("href"))

本当に左はhttps://まででいいんでしょうか?

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 88.19%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る