Potrzebuję uzyskać tekst wewnątrz dwóch elementów w ciąg:analizowaniem HTML, aby uzyskać tekst wewnątrz elementu
source_code = """<span class="UserName"><a href="#">Martin Elias</a></span>"""
>>> text
'Martin Elias'
Jak można to osiągnąć?
Szukałem "python parsującej html" i był to pierwszy wynik: https://docs.python.org/2/library/htmlparser.html
Ten kod jest pobierana z docs Pythona
from HTMLParser import HTMLParser
# create a subclass and override the handler methods
class MyHTMLParser(HTMLParser):
def handle_starttag(self, tag, attrs):
print "Encountered a start tag:", tag
def handle_endtag(self, tag):
print "Encountered an end tag :", tag
def handle_data(self, data):
print "Encountered some data :", data
# instantiate the parser and fed it some HTML
parser = MyHTMLParser()
parser.feed('<html><head><title>Test</title></head>'
'<body><h1>Parse me!</h1></body></html>')
Oto wynik:
Encountered a start tag: html
Encountered a start tag: head
Encountered a start tag: title
Encountered some data : Test
Encountered an end tag : title
Encountered an end tag : head
Encountered a start tag: body
Encountered a start tag: h1
Encountered some data : Parse me!
Encountered an end tag : h1
Encountered an end tag : body
Encountered an end tag : html
Używając tego i patrząc na kod w HTMLParser wymyśliłem:
class myhtmlparser(HTMLParser):
def __init__(self):
self.reset()
self.NEWTAGS = []
self.NEWATTRS = []
self.HTMLDATA = []
def handle_starttag(self, tag, attrs):
self.NEWTAGS.append(tag)
self.NEWATTRS.append(attrs)
def handle_data(self, data):
self.HTMLDATA.append(data)
def clean(self):
self.NEWTAGS = []
self.NEWATTRS = []
self.HTMLDATA = []
Można go używać tak:
from HTMLParser import HTMLParser
pstring = source_code = """<span class="UserName"><a href="#">Martin Elias</a></span>"""
class myhtmlparser(HTMLParser):
def __init__(self):
self.reset()
self.NEWTAGS = []
self.NEWATTRS = []
self.HTMLDATA = []
def handle_starttag(self, tag, attrs):
self.NEWTAGS.append(tag)
self.NEWATTRS.append(attrs)
def handle_data(self, data):
self.HTMLDATA.append(data)
def clean(self):
self.NEWTAGS = []
self.NEWATTRS = []
self.HTMLDATA = []
parser = myhtmlparser()
parser.feed(pstring)
# Extract data from parser
tags = parser.NEWTAGS
attrs = parser.NEWATTRS
data = parser.HTMLDATA
# Clean the parser
parser.clean()
# Print out our data
print tags
print attrs
print data
Teraz powinieneś być w stanie łatwo wyodrębnić dane z tych list. Mam nadzieję, że to pomogło!
To jest piękne :) – AsheKetchum
Polecam korzystanie z biblioteki Python Beautiful Soup 4.
pip install beautifulsoup4
Sprawia, że parsowanie HTML jest naprawdę łatwe.
from bs4 import BeautifulSoup
source_code = """<span class="UserName"><a href="#">Martin Elias</a></span>"""
soup = BeautifulSoup(source_code)
print soup.a.string
>>> 'Martin Elias'
Wiem, że pytanie jest oznaczone python-2.x, ale myślę, że należy zauważyć, że beautifulsoup działa tylko na python 2.x. – LJNielsenDk
Piękna Zupa 4 działa zarówno w wersji 2.7, jak i 3. –
Gdzie znajduje się dobra dokumentacja API dla pięknej zupy? –
Można również spróbować użyć html5lib i XPath, there is a good question about it here, że odpowiedź ma istotny szczegół (namespaceHTMLElements) do zapamiętania, aby html5lib zachowują się zgodnie z oczekiwaniami. Zmarnowałem tak wiele czasu, próbując zmusić go do pracy, ponieważ przeoczyłem, że muszę to zmienić.
Install BeautifulSoup i Można zrobić tak:
from BeautifulSoup import BeautifulSoup
source_code = '"""<span class="UserName"><a href="#">Martin Elias</a></span>"""'
soup = BeautifulSoup(source_code)
print soup.find('span',{'class':'UserName'}).text
tam kilka sposobów na skórę kota tutaj. Jaki jest wynik końcowy? Możesz zrobić javascript lub trochę parsowania po stronie serwera. –