Python字符串范围（解析html）

在python中，我复制了一个网页，并希望获得在python中解析HTML时出现的所有

，我更喜欢。这是假设您想要查找链接，而不仅仅是Python中解析HTML的文本
，我更喜欢这样。这是假设您想要查找链接，而不仅仅是文本
听起来您需要一个HTML解析器。调查我不会使用正则表达式，它会变得非常混乱，而且容易出错。
听起来你需要一个HTML解析器。调查我不会使用正则表达式，它会变得非常混乱，并且容易出错。
例如，您可以使用正则表达式来匹配HTML链接或子类Python的内置SGML解析器：

from sgmllib import SGMLParser

class URLExtractor(SGMLParser):
    def reset(self):
        SGMLParser.reset(self)
        self.urls = []

    def start_a(self, attrs):
        for name, value in attrs:
            if name == 'href':
                self.urls.append(value)

您可以这样使用它：

extractor = URLExtractor()
extractor.feed(html)
print extractor.urls

例如，您可以使用正则表达式来匹配HTML链接或Python内置SGML解析器的子类：

from sgmllib import SGMLParser

class URLExtractor(SGMLParser):
    def reset(self):
        SGMLParser.reset(self)
        self.urls = []

    def start_a(self, attrs):
        for name, value in attrs:
            if name == 'href':
                self.urls.append(value)

您可以这样使用它：

extractor = URLExtractor()
extractor.feed(html)
print extractor.urls

这肯定是一项工作：

>>> from BeautifulSoup import BeautifulSoup
>>> import urllib2
>>> page = urllib2.urlopen('http://stackoverflow.com/')
>>> soup = BeautifulSoup(page)
>>> links = soup.html.body.findAll('a', limit=10)
>>> for i, link in enumerate(links):
...     print i, ':', link.text, ' -- ', link['href'] 
... 
0 : Stack Exchange  --  http://stackexchange.com
1 : log in  --  /users/login
2 : blog  --  http://blog.stackoverflow.com
3 : careers  --  http://careers.stackoverflow.com
4 : chat  --  http://chat.stackoverflow.com
5 : meta  --  http://meta.stackoverflow.com
6 : about  --  /about
7 : faq  --  /faq
8 : Stack Overflow  --  /
9 : Questions  --  /questions

首页上有很多链接；我已将输出限制在前十个
 这肯定是一项工作：

>>> from BeautifulSoup import BeautifulSoup
>>> import urllib2
>>> page = urllib2.urlopen('http://stackoverflow.com/')
>>> soup = BeautifulSoup(page)
>>> links = soup.html.body.findAll('a', limit=10)
>>> for i, link in enumerate(links):
...     print i, ':', link.text, ' -- ', link['href'] 
... 
0 : Stack Exchange  --  http://stackexchange.com
1 : log in  --  /users/login
2 : blog  --  http://blog.stackoverflow.com
3 : careers  --  http://careers.stackoverflow.com
4 : chat  --  http://chat.stackoverflow.com
5 : meta  --  http://meta.stackoverflow.com
6 : about  --  /about
7 : faq  --  /faq
8 : Stack Overflow  --  /
9 : Questions  --  /questions

首页上有很多链接；我已将输出限制在前十个
 另一个+1表示靓汤。也就是说，如果你真的想要一个非常简单的解析器，你可以使用好的ol正则表达式搜索

>>> import urllib2
>>> response = urllib2.urlopen("http://python.org")
>>> html = response.read()

>>> import re
>>> re.findall("<a[^>]*href=[^>]*>", html)

导入urllib2
>>>响应=urllib2.urlopen（“http://python.org")
>>>html=response.read（）
>>>进口稀土
>>>re.findall（“]*href=[^>]*>”，html）

注意：根据注释更新了regex，使其更加准确，另一个+1表示靓汤。也就是说，如果你真的想要一个非常简单的解析器，你可以使用好的ol正则表达式搜索

>>> import urllib2
>>> response = urllib2.urlopen("http://python.org")
>>> html = response.read()

>>> import re
>>> re.findall("<a[^>]*href=[^>]*>", html)

导入urllib2
>>>响应=urllib2.urlopen（“http://python.org")
>>>html=response.read（）
>>>进口稀土
>>>re.findall（“]*href=[^>]*>”，html）

注意：根据注释更新了regex，使其更加准确，因为没有提到正则表达式：-）Beautiful soup也能够查找电子邮件、电话号码等吗？哦！你想达到什么目的？+1不提正则表达式：-）BeautifulSoup也能找到电子邮件、电话号码等吗？哦！你想达到什么目的？像
这样的链接怎么样？当然-上面的例子主要是第一次通过。我肯定我错过了一些边缘案例。您可能可以使用re.findall（“]*href=[^>]*>”，html）来更准确。再说一次，漂亮的汤可能是一个更好的解决方案。像
这样的链接呢？当然，上面的例子主要是第一次通过。我肯定我错过了一些边缘案例。您可能可以使用re.findall（“]*href=[^>]*>”，html）来更准确。再说一次，漂亮的汤可能是一个更好的解决方案；美丽的群像是非凡的哇；美丽的群像是非凡的