我已经将一些HTML写入一个大的txt文件(~50k行),并且想要提取一组特定的URL。我所追求的URL有以下两种模式之一:
第一
<div class="pic">
<a href="https://www.site.com/joesmith"><img alt="Joe Smith" class="person_image" src="https://s3.amazonaws.com/photos.site.com/medium_jpg?12345678"></a>
</div>
第二
<div class="name">
<a href="https://www.site.com/joesmith">Joe Smith</a>
</div>
我需要的文字是https://www.site.com/joesmith
。我第一次使用lxml,我很难将它们放在一起。
这是我的代码
from lxml import etree
from io import StringIO
def read(filename):
file = open(filename, 'r')
text = file.read()
file.close()
out = unicode(text, errors='ignore')
return out
def parse(filename):
data = read(filename)
parser = etree.HTMLParser()
tree = etree.parse(StringIO(data), parser)
result = etree.tostring(tree.getroot(), pretty_print=True, method='HTML')
urls = result.findall('<div class="name">')
return urls
我用findall和findtext尝试了这个代码,无论哪种方式结果相同,“AttributeError:'str'对象没有属性'findall'”。我已确认'result'是一个包含type()
的字符串。
我是否走上正确的道路来提取网址?我该如何解决这个属性错误?
答案 0 :(得分:2)
我不确定基于HTML的树是否支持XPath(我怀疑他们这样做)。在这种情况下,你可以简单地做
urls = tree.xpath('//div[@class="pics"]/a/@href') +
tree.xpath('//div[@class="name"]/a/@href')