问题:
如何使用python(3.6)查找所有打开和关闭HTML标签的文本。 这必须是确切的文本,保留空格和可能非法的html:
# input
html = """<p>This <a href="book"> book </a > will help you</p attr="e">"""
# desired output
output = ['<p>', '<a href="book">', '</a >', '</p attr="e">']
尝试解决方案:
显然,这在Beautifulsoup中是不可能的,这个问题:How to get the opening and closing tag in beautiful soup from HTML string?链接到html.parser
实现自定义解析器很容易。您可以使用self.get_starttag_text()
来获取与最后打开的标签相对应的文本。但是由于某种原因,没有类似的方法get_endtag_text()
。
这意味着我的解析器产生以下输出:
class MyHTMLParser(HTMLParser):
def __init__(self):
super().__init__()
self.tags = []
def reset_stored_tags(self):
self.tags = []
def handle_starttag(self, tag, attrs):
self.tags.append(self.get_starttag_text())
def handle_endtag(self, tag):
self.tags.append(self.get_endtag_text())
def handle_startendtag(self, data):
self.tags.append(self.get_starttag_text())
# input
input_doc = """<p>This <a href="book"> book </a> will help you</p>"""
parser = MyHTMLParser()
parser.feed(input_doc)
print(parser.tags)
# ['<p>', '<a href="book">', '<a href="book">', '<a href="book">']
tag
的{{1}}参数只是一个字符串handle_endtag
或"a"
,而不是某些可以提供整个标签的自定义数据类型。
答案 0 :(得分:1)
您可以使用递归并在soup.contents
属性上进行迭代:
from bs4 import BeautifulSoup as soup
html = """<p>This <a href="book"> book </a> will help you</p>"""
def attrs(_d):
if _d.name != '[document]':
_attrs = ' '.join(f'{a}="{b}"' for a, b in getattr(_d, 'attrs', {}).items())
yield f'<{_d.name}>' if not _attrs else f'<{_d.name} {_attrs}>'
for i in _d.contents:
if not isinstance(i, str):
yield from attrs(i)
if _d.name != '[document]':
yield f'</{_d.name}>'
print(list(attrs(soup(html, 'html.parser'))))
输出:
['<p>', '<a href="book">', '</a>', '</p>']
编辑:对于无效的HTML,您可以使用re
:
import re
html = """<p>This <a href="book"> book </a > will help you</p attr="e">"""
new_results = re.findall('\<[a-zA-Z]+.*?\>|\</[a-zA-Z]+.*?\>', html)
输出:
['<p>', '<a href="book">', '</a >', '</p attr="e">']
答案 1 :(得分:1)
虽然@ Ajax1234的答案包含一些不错的python + beautifulsoup,但我发现它非常不稳定。主要是因为我需要html标签的确切字符串。 该方法找到的每个标记必须出现在html文本中。这会导致以下问题:
它从HTML解析标记名称和属性并将其插入
一起形成标签yield f'<{_d.name}>' if not _attrs else f'<{_d.name} {_attrs}>'
的字符串。这样可以消除标记中多余的空格:<p >
变成<p>
即使标记中没有标记,它始终会生成一个结束标记
对于列表属性,它失败:<p class="a b">
变成<p class="[a, b]">
可以通过在处理HTML之前清除HTML来部分解决空白问题。我使用了bleach,但这可能太激进了。值得注意的是,在使用之前,必须先指定一个可接受标签的列表。
一种更好的方法是在html.parser.HTMLParser周围使用薄包装纸。 这是我已经开始提出的问题,不同之处在于我会自动添加生成一个结束标记。
from html.parser import HTMLParser
class MyHTMLParser(HTMLParser):
def __init__(self):
super().__init__()
self.tags = []
def handle_starttag(self, tag, attrs):
self.tags.append(self.get_starttag_text())
def handle_endtag(self, tag):
self.tags.append(f"</{tag}>")
parser = MyHTMLParser();
parser.feed("""<p > Argh, whitespace and p is not closed </a>""")
parser.tags # ['<p >', '</a>']
这解决了上面提到的问题,但是它有一个缺点,它没有查看结束标记的实际文本。如果结束标记中包含多余的参数或空格,则解析不会显示它们。