Question

我正在尝试关于页面排名的项目。

我想制作一个如下所示的索引（字典）：
file1.html - ＆gt; [[cat，ate，food，drank，milk]，[file2.html，file3.html]]
file2.html - ＆gt; [[dog，barked，ran，away]，[file1.html，file4.html]]

获取链接很简单 - 寻找锚标记。

我的问题是 - 如何获取文字？ html文件中的文本未包含在<p>

等任何标记中

提前致谢所有帮助

Answer 1

使用HTML解析器 - 类似BeautifulSoup。

Answer 2

如果文字未包含在标签中，那它真的是HTML吗？正如Amber所说，使用像BeautifulSoup这样的HTML解析器，你可以轻松完成这项任务。

下面的示例演示了一种在标签内返回文本的简单方法此方法适用于任何标签AFAIK。

>>> from BeautifulSoup import BeautifulSoup as bs
>>> html = '''
... <div><a href="/link1">link1 contents</a></div>
... <div><a href="/link2">link2 contents</a></div>
... '''
>>> soup = bs(html)
>>> for anchor_tag in soup.findAll('a'):
...   print anchor_tag.contents[0]
... 
link1 contents
link2 contents

除此之外，我可以想象你想要一本字典，其中包含某个HTML文档中某个术语出现次数的字数。 defaultdict对这种事情有好处：

>>> from collections import defaultdict
>>> d = defaultdict(int)
>>> for anchor_tag in soup.findAll('a'):
...   d[anchor_tag.contents[0]] += 1
... 
>>> d
defaultdict(<type 'int'>, {u'link1 contents': 1, u'link2 contents': 1})

希望能给你一些想法。如果您遇到其他问题，请回来打开另一个问题。

Python：从html文件中获取和解析文本

2 个答案: