如何通过BeautifulSoup提取页面中window.location.href的链接

要从解析后的soup中提取window.location.href对应的链接，可按以下步骤操作：

1. 筛选目标script标签：先获取页面中所有<script>标签，找出包含window.location.href代码的标签内容。
2. 正则匹配提取链接：用正则表达式从script文本中精准捕获赋值给window.location.href的URL字符串。

具体代码实现： #

import re
from bs4 import BeautifulSoup

# 假设soup为已解析完成的BeautifulSoup对象
script_tags = soup.find_all('script', type='text/javascript')

# 遍历script标签定位目标内容
for script in script_tags:
    # 跳过无文本内容的外部引用script（如jquery.js）
    if not script.string:
        continue
    if 'window.location.href' in script.string:
        # 正则匹配提取引号内的URL
        url_match = re.search(r'window\.location\.href\s*=\s*["\'](.*?)["\'];', script.string)
        if url_match:
            target_link = url_match.group(1)
            print("提取到的链接：", target_link)
            break

代码说明： #

• soup.find_all('script', type='text/javascript')：获取页面内所有JavaScript类型的script标签。
• 正则表达式r'window\.location\.href\s*=\s*["\'](.*?)["\'];'：适配window.location.href = "xxx";或window.location.href = 'xxx';的格式，捕获引号内的完整URL。
• url_match.group(1)：取出正则表达式捕获组中的URL字符串。

内容的提问来源于stack exchange，提问作者user3595231