我正在使用机械化来从雅虎搜索获得最佳结果并从它们中提取数据,但雅虎只提供dirtyurls,这会给进一步处理带来错误,任何获得原创的解决方案链接?Web Scrapping:雅虎提供dirtyurl,而不是普通的url
例如:对于结果stackoverflow.com,我得到下面的标签
<a dirtyhref="http://r.search.yahoo.com/_ylt=A0SO8zEuKGZUteYAEHRXNyoA;_ylu=X3oDMTEzODh2cDk0BHNlYwNzcgRwb3MDMQRjb2xvA2dxMQR2dGlkA1ZJUDI0NF8x/RV=2/RE=1416009903/RO=10/RU=http%3a%2f%2fstackoverflow.com%2f/RK=0/RS=a.mWRIy6IMjJQysgixByd8053hE-" id="link-1" class="yschttl spt" href="http://r.search.yahoo.com/_ylt=A0SO8zEuKGZUteYAEHRXNyoA;_ylu=X3oDMTEzODh2cDk0BHNlYwNzcgRwb3MDMQRjb2xvA2dxMQR2dGlkA1ZJUDI0NF8x/RV=2/RE=1416009903/RO=10/RU=http%3a%2f%2fstackoverflow.com%2f/RK=0/RS=a.mWRIy6IMjJQysgixByd8053hE-" target="_blank" data-bk="5054.1"> <b>Stack Overflow</b> - Official Site </a>
谢谢先生!它的工作 – T90 2014-11-16 11:47:37
重复使用这个,我喜欢索引5不是一直都是一样的,所以我想把这个添加到@Mikk的答案中,以防其他人需要它在字段中的一部分:if part.startswith('RU ='): url = urllib2.unquote(str(part).split('=')[1])' – T90 2014-11-17 11:33:02