Python：将HTML片段分隔为段落

Question

我有一段包含段落的HTML代码。 （我的意思是p标签。）我想将字符串拆分为不同的段落。例如：

'''
<p class="my_class">Hello!</p>
<p>What's up?</p>
<p style="whatever: whatever;">Goodbye!</p>
'''

应该成为：

['<p class="my_class">Hello!</p>',
 '<p>What's up?</p>'
 '<p style="whatever: whatever;">Goodbye!</p>']

什么是接近这个的好方法？

Answer 1

如果您的字符串只包含段落，那么您可以使用制作精良的正则表达式和re.split()。但是，如果您的字符串是更复杂的HTML，或者并非总是有效的HTML，那么您可能需要查看BeautifulSoup包。

用法如下：

from BeautifulSoup import BeautifulSoup 

soup = BeautifulSoup(some_html)

paragraphs = list(unicode(x) for x in soup.findAll('p'))

Answer 2

使用lxml.html将HTML解析为所需的表单。这与推荐BeautifulSoup的人基本上是一样的建议，除了lxml仍然在积极开发和BeatifulSoup开发已经放缓。

Answer 3

使用BeautifulSoup解析HTML并迭代段落。

Answer 4

xml.etree（std lib）或lxml.etree（增强版）使这很容易，但我不会因此而得到答案，因为我不记得确切的语法。我一直把它和类似的包裹混在一起，每次都要重新查看。