基于BeautifulSoup查找静态资源相关元素的技术咨询

1. 常见静态资源相关HTML标签清单 #

除了你已经用到的标签，还有这些容易遗漏的类型：

• link：除了rel="stylesheet"（样式表），还包括rel="preload"/rel="prefetch"（预加载的字体、脚本、图片等资源）、rel="icon"（站点图标）
• img：各类图片资源（jpg/png/webp等）
• script：外部JavaScript文件
• video：视频资源
• audio：音频资源
• source：配合video/audio使用的媒体源文件
• embed：嵌入的外部资源（如PDF、Flash）
• object：嵌入的对象资源（如插件、媒体文件）
• picture：响应式图片容器，内部包含source和img标签
• iframe：嵌入的外部静态页面（按需考虑）

2. 替代多次调用findAll()的实现方式 #

方式一：用find_all接收标签列表参数 #

直接把目标标签名放在列表里传给find_all，再针对性过滤属性：

# 先获取所有目标标签
all_tags = souped.find_all(['link', 'img', 'script', 'video', 'audio', 'source', 'embed', 'object', 'picture'])
# 过滤出符合要求的link标签，同时保留其他标签
static_resources = []
for tag in all_tags:
    if tag.name == 'link':
        rel_attr = tag.get('rel', [])
        # 保留样式表和预加载类静态资源
        if 'stylesheet' in rel_attr or 'preload' in rel_attr:
            static_resources.append(tag)
    else:
        static_resources.append(tag)

方式二：使用CSS选择器（select方法） #

BeautifulSoup支持CSS选择器，可一次性筛选多类标签和属性：

# 筛选样式表link、各类媒体和资源标签
static_resources = souped.select('link[rel="stylesheet"], img, script, video, audio, source, embed, object, picture')
# 如果需要包含预加载的link，可扩展选择器
static_resources = souped.select('link[rel="stylesheet"], link[rel="preload"], img, script, video, audio, source, embed, object, picture')

这种写法比多次调用find_all更简洁，也更易维护。

内容的提问来源于stack exchange，提问作者Dimon Agon