web-dev-qa-db-fra.com

Analyser le HTML pour obtenir du texte dans un élément

J'ai besoin de placer le texte à l'intérieur des deux éléments dans une chaîne:

source_code = """<span class="UserName"><a href="#">Martin Elias</a></span>"""

>>> text
'Martin Elias'

Comment pourrais-je y parvenir?

pythonhtmlpython-2.xhtml-parser
24
Martin Eliáš

J'ai cherché "python parse html" et ce fut le premier résultat: https://docs.python.org/2/library/htmlparser.html

Ce code est extrait des documents python

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>')

Voici le résultat:

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

En utilisant cela et en regardant le code dans HTMLParser, j'ai trouvé ceci:

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 = []

Vous pouvez l'utiliser comme ceci:

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

Vous devriez maintenant pouvoir extraire facilement vos données de ces listes. J'espère que cela a aidé!

35
LISTERINE

Je recommande d'utiliser la bibliothèque Python Beautiful Soup 4 .

pip install beautifulsoup4

Cela facilite l'analyse HTML.

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'
26
Cypress Frankenfeld

Installez beautifulsoup et vous pouvez faire comme ceci:

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
3
mushfiq

Vous pouvez également essayer d'utiliser html5lib et XPath, il y a une bonne question à ce sujet ici , cette réponse a un détail important (namespaceHTMLElements) à retenir pour que html5lib se comporte comme prévu. J'ai perdu tellement de temps à essayer de le faire fonctionner parce que j'avais oublié que je devais changer cela.

1
LJNielsenDk