Data Matters

We can use python htmllib.HTMLParser to extract link and corresponding text from html files: import urllib from formatter import * from htmllib import * formatter = AbstractFormatter(NullWriter()) class LinkParser(HTMLParser):     def __init__(self, *sub, **kw):         HTMLParser.__init__(self, *sub, **kw)         self.current_link = self.current_text = None     def handle_starttag(self, tag, method, attrs):         if tag == 'a':             for attr in attrs:                 if attr[0]=='href':                     self.current_link = attr[1]         return HTMLParser.handle_starttag(self, tag, method, attrs)     def handle_endtag(self, tag, method):         if tag == 'a':             if self.current_link and self.current_text:                 print self.current_link, self.current_text             self.current_link = self.current_text = None         return HTMLParser.handle_endtag(self, tag, method)     def handle_data(self, data):