Question

我需要做以下事情：

采取html文件
查找'img'标签
采用他们的'src'属性
将已建立的网址传递给处理
将'src'属性更改为新属性
使用Python 2.7完成所有这些工作

P.S。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

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is generally a bad idea解析HTML。使用像BeautifulSoup或lxml.html这样的HTML解析器是个更好的主意。

使用BeautifulSoup的一个吸引力在于它具有熟悉的Python界面。导航功能有很多：find_all，find_next，find_previous，find_parent，find_next_siblings等。

支持BeautifulSoup的另一个观点是，当lxml不能时，BeautifulSoup有时可以解析破坏的HTML（例如，通过插入缺少的结束标记）。 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learn XPath。 lxml is also much much faster than BeautifulSoup.

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。

Answer 2

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，但它可以帮到你。如果你不需要，尽量不要过度使用你的解决方案，这是解决一般问题所能做的最简单的事情之一。

这种悲伤，为未来而建立同样重要，但所有6个要求都可以归为一个，“我想改变'src'或所有链接到X”

Answer 3

以下是lxml方法：

import lxml.html

filename = 'your_html_filename.html'
document = lxml.html.parse(filename)
tag = 'your_tag_name'
elements = document.xpath('//{}'.format(tag))

for e in elements:
    e.attrib['src'] = 'new value'

result = str(document)

对于您的特定问题，使用BS或lxml没有确切的优势。这只会在你的问题背景下发挥作用。

Answer 4

如果您想使用正则表达式，只需将此答案放在那里：

html = """
<!doctype html>
<html lang="en-US">
<head>
    <meta charset="UTF-8">
    <title></title>
</head>
<body>
<script src="http://ajax.googleapis.com/ajax/libs/jquery/1.10.1/jquery.min.js"></script>
<script src="http://ajax.googleapis.com/ajax/libs/jquery/2.0.1/jquery.min.js"></script>
</body>
</html>
"""

import re

find = re.compile(r'src="[^"]*"')

print find.sub('src="changed"', html)

python：找到html标签并替换它们的属性

4 个答案: