python:找到html标签并替换它们的属性

Question

我需要做以下事情:

1. 拿html文件
2. 找到'img'标签的每一个出现
3. 采取他们的'src'属性
4. 通过创建网址进行处理
5. 将'src'属性更改为新属性
6. 使用Python 2.7完成所有这些工作

PS我听说过lmxl和BeautifulSoup.你怎么建议解决这个问题？也许最好使用正则表达式呢？还是别的什么？

Answer 1

from BeautifulSoup import BeautifulSoup
soup = BeautifulSoup(html_string)
for link in soup.findAll('a')
    link['src'] = 'New src'
html_string = str(soup)

我不是特别喜欢 BeautifulSoup，但它可以为您完成这项工作。如果不需要，请尽量不要过度执行您的解决方案，这是解决一般问题可以做的更简单的事情之一。

也就是说，为未来构建同样重要，但您可以将所有 6 个要求合二为一，“我想将 'src' 或所有链接更改为 X”

Answer 2

使用lxml,

import lxml.html as LH
root = LH.fromstring(html_string)
for el in root.iter('img'):
    el.attrib['src'] = 'new src'
print(LH.tostring(root, pretty_print=True))

使用正则表达式解析HTML 通常是一个坏主意.使用像BeautifulSoup或lxml.html这样的HTML解析器是个更好的主意.

使用BeautifulSoup的一个吸引人之处在于它具有熟悉的Python界面.有很多的功能导航:find_all,find_next,find_previous,find_parent,find_next_siblings,等.

另一个支持BeautifulSoup的观点是,有时BeautifulSoup可以解析破坏的HTML(例如,通过插入缺少的结束标记)lxml.lxml更严格,如果HTML格式不正确,则会引发异常.

与BeautifulSoup API提供的众多功能相比,lxml主要使用XPath迷你语言进行导航.使用XPath进行导航往往比使用BeautifulSoup的等效导航更简洁.问题是你必须学习XPath.lxml也比BeautifulSoup快得多.

因此,如果您刚刚开始,BeautifulSoup可能更容易立即使用,但最后我相信lxml更适合使用.