如何在python中将HTML字符串解析为HTML DOM元素？

Question

我有一串 HTML 元素

HTMLstr = """
    <div class='column span4 ui-sortable' id='column1'></div>
    <div class='column span4 ui-sortable' id='column2'>
        <div class='portlet ui-widget ui-widget-content ui-helper-clearfix ui-corner-all' id='widget_basicLine'>
        <div class='portlet-header ui-widget-header ui-corner-all'><span class='ui-icon ui-icon-minusthick'></span>Line Chart </div>
        <div class='portlet-content' id=basicLine style='height:270px; margin: 0 auto;'></div>          
        </div>
    </div>
    <div class='column span4 ui-sortable' id='column3'></div> """

我想在 python 中将上面的 HTML 字符串转换为相应的 HTML DOM 元素？

我可以通过 jQuery/AJAX 函数来完成，$(this).html(HTMLstr);但是我如何在 python 中解析它？

Answer 1

Python 具有用于解析 HTML 文档的内置库。在 Python 2.x 中，您可以选择HTMLParser(recommended) 和htmllib(deprecated)；在 Python 3.x 中，html.parser是适当的库（这是HTMLParserPython 2.x的重命名版本）。

但是，这些是事件驱动的解析器（类似于 XML SAX 解析器），它们可能不是您想要的。如果您知道文档将是有效的 XML（即正确关闭的标签等），另一种方法是使用 Python 的 XML 解析工具之一。库xml.dom和xml.dom.minidom都是选项，具体取决于您正在寻找的解析类型（我怀疑xml.dom.minidom对于您的目的来说已经足够了，举个例子）。

例如，您应该能够在 Python 控制台中输入以下内容并获得显示的输出：

>>> import xml.dom.minidom
>>> x = xml.dom.minidom.parseString('<div class="column span4 ui-sortable" id="column2"><div class="portlet ui-widget ui-widget-content ui-helper-clearfix ui-corner-all" id="widget_basicLine" /></div>')
>>> x.documentElement.nodeName
'div'
>>> x.documentElement.getAttribute("class")
'column span4 ui-sortable'
>>> len(x.documentElement.firstChild.childNodes)
0

此处提供了您收到的 Node 对象的完整说明。如果您习惯于在 JavaScript 中使用 DOM，您应该会发现大多数属性都是相同的。请注意，由于 Python 将其视为 XML 文档，因此诸如 'class' 之类的 HTML 特定属性没有特殊意义，因此我相信您必须使用该getAttribute函数来访问它们。