我已经将一些 HTML 抓取到一个大的 txt 文件（约 50k 行）中，并希望提取一组特定的 URL。我追求的 URL 是以下两种模式之一：
第一的
<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>
我需要的文本是https://www.site.com/joesmith. 我是第一次使用 lxml，我很难把它放在一起。
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
我已经用 findall 和 findtext 尝试了这段代码，无论哪种方式结果都是一样的，"AttributeError: 'str' object has no attribute 'findall'"。我已经确认 'result' 是一个带有type().
我是否在正确的路径上提取 URL？我应该如何解决这个属性错误？