如何在Python中从HTML文档中解析和提取特定元素？
Python中有很多XML和HTML解析器，我正在寻找一种简单的方法来提取HTML文档的一部分，最好使用XPATH构造，但这只是可选的 这里有一个例子如何在Python中从HTML文档中解析和提取特定元素？,python,xml-parsing,lxml,Python,Xml Parsing,Lxml,Python中有很多XML和HTML解析器，我正在寻找一种简单的方法来提取HTML文档的一部分，最好使用XPATH构造，但这只是可选的 这里有一个例子 src = "<html><body>...<div id=content>AAA<B>BBB</B>CCC</div>...</body></html>" src=“…aaabbccc…” 我想提取id=content的整个元素体，因此结果应该是
src = "<html><body>...<div id=content>AAA<B>BBB</B>CCC</div>...</body></html>"
src=“…aaabbccc…”
AAABBBCCC不允许使用regexp，因为它们对于解析XML/HTML不安全。要使用库进行解析，最好的方法是 这里是一个如何为您工作的片段
from BeautifulSoup import BeautifulSoup
src = "<html><body>...<div id=content>AAA<B>BBB</B>CCC</div>...</body></html>"
soupy = BeautifulSoup( src )
content_divs = soupy.findAll( attrs={'id':'content'} )
if len(content_divs) > 0:
# print the first one
print str(content_divs[0])
# to print the text contents
print content_divs[0].text
# or to print all the raw html
for each in content_divs:
print each
从美化组导入美化组
src=“…aaabbccc…”
汤=美汤（src）
content\u divs=soupy.findAll（attrs={'id'：'content'}）
如果len（content_divs）>0：
#打印第一张
打印str（内容分区[0]）
#打印文本内容的步骤
打印内容分区[0]。文本
#或者打印所有原始html
对于每个in-content\u div：
打印每个
import re
match = re.finditer("<div id=content>",src)
src = src[match.start():]
#at this point the string start with your div everything proceeding it has been stripped.
#This next part works because the first div in the string is the end of your div section.
match = re.finditer("</div>",src)
src = src[:match.end()]
重新导入
match=re.finditer（“，src）
src=src[match.start（）：]
#在这一点上，字符串从div开始，所有正在进行的操作都已被剥离。
#下一部分工作，因为字符串中的第一个div是div部分的结尾。
match=re.finditer（“，src）
src=src[：match.end（）]