![]()
fromhtml.parser import HTMLParserclassLinkExtractor(HTMLParser):"""一个自定义的HTML解析器，用于提取所有链接"""def__init__(self):# 初始化父类，convert_charrefs=True 是默认且推荐的设置super().__init__(convert_charrefs=True)self.links=[]# 用于存储提取到的链接defhandle_starttag(self,tag,attrs):"""重写开始标签处理方法"""# 我们只关心 <a> 标签iftag=='a':# attrs 是一个包含 (属性名, 属性值) 元组的列表forattr_name,attr_valueinattrs:ifattr_name=='href':# 找到 href 属性，将其添加到列表中self.links.append(attr_value)print(f"找到一个链接: {attr_value}")defhandle_data(self,data):"""重写文本处理方法，这里仅仅是演示，可以对文本做进一步处理"""# 对于提取链接这个任务，我们实际上不需要处理文本pass# 1. 准备一段待解析的HTML代码片段sample_html="""<divclass="container"><h1>我的收藏夹</h1><p>欢迎来到我的<ahref="https://example.com">示例网站</a>。</p><ul><li><ahref="https://python.org">Python官网</a></li><li><ahref="/about">关于我们</a></li><li><a>这是一个无效的链接，没有href属性</a></li></ul><imgsrc="logo.png"alt="Logo"></div>"""# 2. 创建解析器实例parser=LinkExtractor()# 3. 将HTML数据喂给解析器# 注意 feed 方法可以分多次调用，对于流式数据非常有用parser.feed(sample_html)# 4. 解析完成后，可以获取结果print("\n所有提取到的链接：")forlinkinparser.links:print(link)################ 结 果 ##########################找到一个链接:https://example.com 找到一个链接:https://python.org 找到一个链接:/about 所有提取到的链接： https://example.comhttps://python.org/about
