Question

我正在寻找一个用于Python的HTML Parser模块，它可以帮助我以Python列表/字典/对象的形式获取标签。

如果我有以下表格的文件：

<html>
<head>Heading</head>
<body attr1='val1'>
    <div class='container'>
        <div id='class'>Something here</div>
        <div>Something else</div>
    </div>
</body>
</html>

然后它应该给我一种通过HTML标记的名称或ID访问嵌套标记的方法，这样我基本上可以让它在div标记中获取{{1}的内容/文本}}包含在class='container'标记中，或类似的内容。

如果您使用过Firefox的“Inspect元素”功能（查看HTML），您会知道它会以一种漂亮的嵌套方式为您提供所有标记，如树。

我更喜欢内置模块，但可能会有点太多。

我在Stack Overflow和互联网上的一些博客上经历了很多问题，其中大多数都建议使用BeautifulSoup或lxml或HTMLParser，但很少有人详细介绍这些功能，最后只是讨论哪一个更快/更多efficent。

Answer 1

因此我基本上可以要求它在div标签中为我提供内容/文本，其中包含body标签中包含的class ='container'或类似内容。

try: 
    from BeautifulSoup import BeautifulSoup
except ImportError:
    from bs4 import BeautifulSoup
html = #the HTML code you've written above
parsed_html = BeautifulSoup(html)
print parsed_html.body.find('div', attrs={'class':'container'}).text

我猜你不需要性能描述 - 只需阅读BeautifulSoup的工作原理。看看official documentation。

Answer 2

我想你要找的是pyquery：

pyquery：一个类似jquery的python库。

您想要的一个例子可能是：

from pyquery import PyQuery    
html = # Your HTML CODE
pq = PyQuery(html)
tag = pq('div#id') # or     tag = pq('div.class')
print tag.text()

它使用与Firefox或Chrome的检查元素相同的选择器。例如：

the element selector is 'div#mw-head.noprint'

被检查的元素选择器是'div #mw-head.noprint'。所以在pyquery中，你只需要传递这个选择器：

pq('div#mw-head.noprint')

Answer 3

在这里，您可以阅读有关Python中不同HTML解析器及其性能的更多信息。即使文章有点过时，它仍然给你一个很好的概述。

Python HTML parser performance

我推荐BeautifulSoup，即使它没有内置。只是因为它很容易处理这些任务。例如：

import urllib2
from BeautifulSoup import BeautifulSoup

page = urllib2.urlopen('http://www.google.com/')
soup = BeautifulSoup(page)

x = soup.body.find('div', attrs={'class' : 'container'}).text

Answer 4

与其他解析器库lxml相比，速度非常快：

使用cssselect，它也很容易用于抓取HTML页面：

from lxml.html import parse
doc = parse('http://www.google.com').getroot()
for div in doc.cssselect('a'):
    print '%s: %s' % (div.text_content(), div.get('href'))

lxml.html Documentation

Answer 5

我建议使用 lxml 来解析HTML。见"Parsing HTML" (on the lxml site).

根据我的经验，美丽的汤混淆了一些复杂的HTML。我相信这是因为Beautiful Soup不是一个解析器，而是一个非常好的字符串分析器。

Answer 6

我建议使用 justext 库：

https://github.com/miso-belica/jusText

使用方法：的 Python2：

import requests import justext response = requests.get("http://planet.python.org/") paragraphs = justext.justext(response.content, justext.get_stoplist("English")) for paragraph in paragraphs: print paragraph.text

Python3：

import requests import justext response = requests.get("http://bbc.com/") paragraphs = justext.justext(response.content, justext.get_stoplist("English")) for paragraph in paragraphs: print (paragraph.text)

Answer 7

我会用EHP

https://github.com/iogf/ehp

这是：

from ehp import *

doc = '''<html>
<head>Heading</head>
<body attr1='val1'>
    <div class='container'>
        <div id='class'>Something here</div>
        <div>Something else</div>
    </div>
</body>
</html>
'''

html = Html()
dom = html.feed(doc)
for ind in dom.find('div', ('class', 'container')):
    print ind.text()

输出：

Something here
Something else

使用Python解析HTML

7 个答案: