Question

Python中有很多XML和HTML解析器，我正在寻找一种简单的方法来提取HTML文档的一部分，最好使用XPATH结构，但这只是可选的。

这是一个例子

src = "<html><body>...<div id=content>AAA<B>BBB</B>CCC</div>...</body></html>"

我想提取id = content的元素的整个主体，因此结果应为：<div id=content>AAA<B>BBB</B>CCC</div>

如果我可以在不安装新库的情况下执行此操作。

我还希望获得所需元素的原始内容（未重新格式化）。

不允许使用regexp，因为这些对于解析XML / HTML是不安全的。

Answer 1

使用库解析 - 最好的方法是BeautifulSoup 以下是它如何适合您的片段！

from BeautifulSoup import BeautifulSoup

src = "<html><body>...<div id=content>AAA<B>BBB</B>CCC</div>...</body></html>"
soupy = BeautifulSoup( src )

content_divs = soupy.findAll( attrs={'id':'content'} )
if len(content_divs) > 0:
    # print the first one
    print str(content_divs[0])

    # to print the text contents
    print content_divs[0].text

    # or to print all the raw html
    for each in content_divs:
        print each

Answer 2

是的，我做到了这一点。它可能不是最好的方法，但它的工作方式类似于下面的代码。我没有测试这个

import re

match = re.finditer("<div id=content>",src)
src = src[match.start():]

#at this point the string start with your div everything proceeding it has been stripped.
#This next part works because the first div in the string is the end of your div section.
match = re.finditer("</div>",src)
src = src[:match.end()]

src现在只有字符串中的div。如果在某些情况下你需要另外一个内部你需要为你的re.finditer部分建立一个更好的搜索模式。

如何在Python中解析和提取HTML文档中的特定元素？

2 个答案: