python - 在Python中使用HTMLParser解析html中的特定链接？

Question

我正在尝试从 html 文件解析一组特定的链接，但由于我使用 HTMLParser，我无法访问层次结构树中的 html 信息，因此无法提取信息。

我的 HTML 如下:

<p class="mediatitle">
        <a class="bullet medialink" href="link/to/a/file">Some Content
        </a>
</p>

所以我需要的是提取所有其键为“href”且前一个属性为 class="bullet medialink"的值。换句话说，我只想要存在于“bullet medialink”类标签中的 thode href

到目前为止我尝试过的是

from HTMLParser import HTMLParser
import urllib
# create a subclass and override the handler methods
class MyHTMLParser(HTMLParser):
def handle_starttag(self, tag, attrs):
    if(tag == 'a'):
        for (key,value) in attrs:
            if(value == 'bullet medialink'):
                print "attr:", key

p = MyHTMLParser()
f = urllib.urlopen("sample.html")
html = f.read()
p.feed(html)
p.close()

Answer 1

为此我想要 Bs4。 Bs4 是第三方 html 解析器。文档:http://www.crummy.com/software/BeautifulSoup/bs4/doc/

import urllib
from bs4 import BeautifulSoup

f = urllib.urlopen("sample.html")
html = f.read()
soup = BeautifulSoup(html)
for atag in soup.select('.bullet.medialink'):  # Just enter a css-selector here
    print atag['href']  # You can also get an atrriibute with atag.get('href')

或更短:

import urllib
from bs4 import BeautifulSoup

soup = BeautifulSoup(urllib.urlopen("sample.html").read())
for atag in soup.select('.bullet.medialink'):
    print atag