有没有办法使用urlib
,urllib2
或BeautifulSoup
来提取HTML标记属性?
例如:
<a href="xyz" title="xyz">xyz</a>
获取href=xyz, title=xyz
还有另一个讨论使用regular expressions
的主题由于
答案 0 :(得分:6)
您可以使用BeautifulSoup来解析HTML,并为每个<a>
标记使用tag.attrs
来读取属性:
In [111]: soup = BeautifulSoup.BeautifulSoup('<a href="xyz" title="xyz">xyz</a>')
In [112]: [tag.attrs for tag in soup.findAll('a')]
Out[112]: [[(u'href', u'xyz'), (u'title', u'xyz')]]
答案 1 :(得分:5)
为什么不尝试使用HTMLParser模块?
这样的事情:
import HTMLParser
import urllib
class parseTitle(HTMLParser.HTMLParser):
def handle_starttag(self, tag, attrs):
if tag == 'a':
for names, values in attrs:
if name == 'href':
print value # or the code you need.
if name == 'title':
print value # or the code you need.
aparser = parseTitle()
u = urllib.open('http://stackoverflow.com') # change the address as you like
aparser.feed(u.read())