Buen día, estoy aprendiendo a usar Python y en un ejercicio que estoy desarrollando se debe realizar un programa que encuentre todos los url en un archivo de texto (ArchivoPaginaWeb.txt, que es el código fuente de una página web) y con ello generar una lista de lo encontrado, el código que he realizado es el siguiente:
def buscasig(pagweb):
iniciopos=pagweb.find('<a href=')
if iniciopos==-1:
return None,0
iniciocita=pagweb.find('"',iniciopos)
finposic=pagweb.find('"',iniciocita+1)
url=pagweb[iniciocita+1:finposic]
return url,finposic
def urls(pagweb):
listaurls=[]
while True:
url,finposic=buscasig(pagweb)
if url:
listaurls.append(url)
pagweb=pagweb[finposic:]
else:
break
return listaurls
def main():
with open ('ArchivoPaginaWeb.txt') as archpagweb:
pagweb=archpagweb.read()
listaurls=urls(pagweb)
print("Enlaces encontrados:",listaurls)
main()
La idea es obtener una salida tipo lista con diferentes url, parecida a esto:
Enlaces encontrados: ['https://www.ejemplos.co/30-ejemplos-de-url/',
'https://1drv.ms/v/s!AkuEHsI016zRhTzzZFGqj0TSOsSh', 'http://www.ejemplos.co/30-ejemplos-deurl']
Sin embargo, al momento de ejecutarlo solo me encuentra un url y lo guarda, quedando de la siguiente manera:
Enlaces encontrados: ['https://www.ejemplos.co/30-ejemplos-de-url/']
He revisado en varias ocasiones y no sé en que parte está mal mi código, ya que utilizo un ciclo While para poder iterar.