如何根据<p> <div>或<br>标记的存在来拆分html页面
提问于 2013-07-30 10:05:11
我正在尝试根据<p> <br>或<div>标签的位置将抓取的网页分成不同的部分。因此，第一个<p>标记将包含从<html>到相关<p>标记的所有数据/标记。我看过类似于lxml项目中的etree的东西，但它看起来并不重要。
我看到的与“普通”html解析的不同之处在于所选标签的数量。我想要选择多个标签和它们的数据，并将它们分开保存，而“普通”html解析工具提供了只选择一个单独的标签/标签的能力(使用xpath等)并使用它。(我对web编程也是个新手)。
我已经想出了一种方法，我可以保存文件偏移量，然后继续剪切和切片输入文件，以实现我的目标，但它似乎充其量是黑客。
我怎样才能达到我所说的目标，请帮助我。
谢谢。
回答 1
Stack Overflow用户
发布于 2013-07-30 10:31:18
使用BeautifulSoup。这是一个很棒的解析HTML的python工具。
下面的例子展示了解析HTML语言是多么简单--它打印出标记名(p)和所有<p>标记的内容。然后找到id为"header“的元素。
这只是一个片段- BeautifulSoup提供了许多方法来过滤HTML文档。
import sys
# add path to beautifulsoup library
sys.path.append('/usr/local/var/beautifulsoup')
# import it
from bs4 import BeautifulSoup
soup = BeautifulSoup(open("yourfile.html"))
for tag in soup.find_all('p'):
print tag.name, tag.text
soup.find(id="header")页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/17944062
复制相关文章
点击加载更多
腾讯云开发者
