Я хочу выполнить поиск на веб-сайте и найти все ссылки на PDF-файлы. Я знаю, что у BeautifulSoup есть несколько решений для поиска pdf-файлов с использованием тегов <a>, но я хочу искать весь домен, используя базовый URL-адрес, а не только ссылку на страницу.
Моя идея заключалась в том, чтобы а) сначала выполнить поиск всех ссылок на всем веб-сайте, а затем б) отфильтровать ссылки с расширением .pdf. Для первой части я попробовал это https://github.com/mujeebishaque/extract-urls:
import requests
from bs4 import BeautifulSoup
if __name__ == '__main__':
user_input_url = "https://www.aurednik.de/"
if not user_input_url or len(user_input_url) < 1:
raise Exception("INFO: Invalid Input")
_start = user_input_url.find('//')
_end = user_input_url.find('.com')
readable_website_name = user_input_url[_start+2:_end].strip()
try:
website_content = requests.get(user_input_url.strip()).text
except:
check_internet = requests.get('https://google.com').status_code
if check_internet != requests.codes.ok:
raise ConnectionError("ERROR: Check internet connection.")
_soup = BeautifulSoup(website_content, features='lxml')
internal_url_links = []
external_url_links = []
for link in _soup.find_all('a', href=True):
if readable_website_name in link.get('href'):
internal_url_links.append(link['href'])
if readable_website_name not in link.get('href') and len(link.get('href')) > 3:
external_url_links.append(link['href'])
print(internal_url_links, '\n')
print(external_url_links, '\n')
Я ожидал, что он сможет сканировать и возвращать все ссылки, такие как https://www.aurednik.de/info-service/downloads/#unserekataloge
и https://www.aurednik.de/downloads/AUREDNIK_Haupt2021.pdf Но это не тот случай. Я вообще не вижу вторую ссылку на pdf, а первую ссылку вижу только
/info-service/downloads/#unserekataloge
когда я распечатываю внешние ссылки. Мне нужна полная ссылка и, желательно, также все ссылки в формате PDF на домене веб-сайта. Как еще я мог добиться этого? Я готов использовать любые инструменты и библиотеки.
где мы добавим исходный базовый URL здесь?