Python 正则表达式捕获带有类名的html元素

我正在尝试使用python获取html文件中所有元素的元素和类名。我用下面的代码设法得到了所有的类名。它是这样写的，因为我将在存储带有类名的元素时浏览大量html文件。忽略没有类名的元素

 temp_file = open(root + "/" + file, "r", encoding="utf-8-sig", errors="ignore")
    temp_content = temp_file.read()
    class_names = re.findall("class=\"(.*?)\"", temp_content)

但是现在我正在努力找到一种方法来获取类所属的元素。请记住，元素有时会相互重叠，因此readlines（）也不会有太大帮助，而且可能比一次重新生成整个文档要慢

<div class="header_container container_12">
        <div class="grid_5">
              <h1><a href="#">Logo Text Here</a></h1>
        </div>
        <div class="grid_7">
            <div class="menu_items"> 
                <a href="#" class="home active">Home</a><a href="#" class="portfolio">Portfolio</a> 
               <a href="#" 
                class="about">About Me
                </a><a href="#" class="contact">Contact Me</a> 
            </div>
        </div>
</div>

---

Regex是HTML解析的一个糟糕选择，但幸运的是，对于美化组来说，这是微不足道的：

from bs4 import BeautifulSoup

html = """<div class="header_container container_12">
        <div class="grid_5">
              <h1><a href="#">Logo Text Here</a></h1>
        </div>
        <div class="grid_7">
            <div class="menu_items"> 
                <a href="#" class="home active">Home</a><a href="#" class="portfolio">Portfolio</a> 
               <a href="#" 
                class="about">About Me
                </a><a href="#" class="contact">Contact Me</a> 
            </div>
        </div>
</div>"""

for elem in BeautifulSoup(html, "lxml").find_all(attrs={"class": True}):
    print(elem.attrs["class"], elem.name)

您可以根据需要将其放入dict中，但要小心，因为每个bucket可能映射到多个元素。它告诉您的只是一个元素存在，并且有一个特定的标记名，给定一个特定的类名字符串或元组，以特定的顺序排列

elems = {}

for elem in BeautifulSoup(html, "lxml").find_all(attrs={"class": True}):
    elems[tuple(elem.attrs["class"])] = elem.name

for k, v in elems.items():
    print(k, v)

---

<>我认为ReGEX是这个工作的错误工具，考虑将HTML加载到DOM文档中，然后用DOM选择器解析它。 下面的示例是javascript，因为它允许我将其作为可运行的代码段包含在内，但它应该足够解释该方法，以便您创建python等效代码

var classElements=document.querySelectorAll（“[class]”）；
对于（i=0；i

您是否考虑过改为解析DOM？HTML和正则表达式不是好朋友。使用解析器，它更简单、更快、更易于维护。感谢您提供的解决方案，因为它无法找到“lxml”，所以不得不切换到“html.parser”。作为一个附带的问题，是否有一个简单的方法来获得什么元素下使用美丽的汤？因此，在上面的html中，获取“header\u container”作为所有其他元素的父元素，“menu items”作为“a”元素的父元素。当然，请参阅和。

elems = {}

for elem in BeautifulSoup(html, "lxml").find_all(attrs={"class": True}):
    elems[tuple(elem.attrs["class"])] = elem.name

for k, v in elems.items():
    print(k, v)