オフラインで表示する Web ページをダウンロードするための簡単な Python スクリプトを作成しました。問題は、相対リンクが壊れていることです。そのため、オフライン ファイル "c:\temp\webpage.html" には href="index.aspx" がありますが、ブラウザーで開くと、" ではなく "file:///C:/temp/index.aspx" に解決されます。http://myorginalwebsite.com/index.aspx ".
したがって、元の Web サイトを指すように各相対リンクを修正するために、スクリプトを変更する必要があると思います。もっと簡単な方法はありますか？そうでない場合、これを実行できるサンプルの Python コードを持っている人はいますか? 私はPythonの初心者なので、ポインタをいただければ幸いです。
ありがとう。
相対リンクでWebサイトを参照するだけの場合は、ヘッドにベースタグを追加するだけです。
<base href="http://myoriginalwebsite.com/" />
lxmlは、この難問を簡単にします!
>>> import lxml.html, urllib
>>> url = 'http://www.google.com/'
>>> e = lxml.html.parse(urllib.urlopen(url))
>>> e.xpath('//a/@href')[-4:]
['/intl/en/ads/', '/services/', '/intl/en/about.html', '/intl/en/privacy.html']
>>> e.getroot().make_links_absolute()
>>> e.xpath('//a/@href')[-4:]
['http://www.google.com/intl/en/ads/', 'http://www.google.com/services/', 'http://www.google.com/intl/en/about.html', 'http://www.google.com/intl/en/privacy.html']
そこから、DOM をファイルとしてディスクに書き出すことができます。
で始まるすべてのリンクをチェックし、文字列の先頭http://に追加したくないリンクをすべてチェックしhttp://myoriginalwebsite.comてから、接続をテストしますか?
簡単に聞こえます。それとも、問題を抱えているのは適切なpythonコードですか？