我想在python中解析HTML

Question

我有这个小班:

class HTMLTagStripper(HTMLParser):
    def __init__(self):
       self.reset()
       self.fed = []
    def handle_data(self, data):
       self.fed.append(data)
    def handle_starttag(self, tag, attrs):
       if tag == 'a':
           return attrs[0][1]
    def get_data(self):
       return ''.join(self.fed)

解析此HTML代码:

<div id="footer">
<p>long text.</p>
<p>click <a href="somelink.com">here</a>
</div>

这是我得到的结果:long text click here
但我想得到:long text click somelink.com

有没有办法做到这一点？

Answer 1

看看BeautifulSoup ..它会做到这一点以及更多.

或者您可以使用正则表达式/字符串操作来去除所需的数据.从长远来看,使用像BeautifulSoup这样的东西会有所回报,特别是如果你希望做更多的事情.

这是使用BeautifulSoup提取HTML数据中单/唯一链接的一种方法(我不是这方面的专家,所以可能有其他更好的方法 - 建议/更正欢迎).

from BeautifulSoup import BeautifulSoup
s = """<div id="footer">
       <p>long text.</p>
       <p>click <a href="somelink.com">here</a>
       </div>"""

soup = BeautifulSoup(s)
your_link = soup.find('a', href=True)['href']
print 'long text click', your_link

将打印:

long text click somelink.com