高效解析HTML层级结构并提取文件名
HTML文档内容常常嵌套复杂，使用传统字符串处理方法效率低下。本文介绍如何利用Python的递归函数，轻松遍历HTML结构并提取所需文件名。
HTML解析
首先，我们需要使用合适的库将HTML片段解析成可遍历的数据结构。Beautiful Soup 4库是一个理想的选择：
立即学习“Python免费学习笔记（深入）”；
from bs4 import BeautifulSoup
html_content = """
favicon.ico
banner-ads
- ad01.png
- ad02.png
- ad03.png
- ad04.png
- ad06.jpg
"""
soup = BeautifulSoup(html_content, "html.parser")
递归遍历函数
解析完成后，我们使用递归函数深度优先遍历HTML树：
def extract_filenames(element, current_path=""):
if element.name == "li":
filename = element.text.strip()
yield f"{current_path}{filename}" if current_path else filename
elif element.name and element.name != 'code': #忽略code标签
new_path = f"{current_path}{element.text.strip()}/" if element.text.strip() else current_path
for child in element.children:
yield from extract_filenames(child, new_path)
结果生成与输出
最后，我们调用递归函数，收集所有提取的文件名：
file_paths = list(extract_filenames(soup)) print(file_paths) #输出：['favicon.ico', 'banner-ads/ad01.png', 'banner-ads/ad02.png', 'banner-ads/ad03.png', 'banner-ads/ad04.png', 'banner-ads/ad06.jpg']
通过以上步骤，我们成功地利用Python递归函数遍历HTML结构，并提取所有所需的文件名，提高了代码效率和可读性。 代码中增加了对code标签的忽略处理，避免了不必要的路径生成。
