在python中从html页面提取表单键值对或解析html页面

我想在html页面中提取一些表单元素的键值对

比如说

name="frmLogin" method="POST" onSubmit="javascript:return validateAndSubmit();" action="TG_cim_logon.asp?SID=^YcMunDFDQUoWV32WPUMqPxeSxD4L_slp_rhc_rNvW7Fagp7FgH3l0uJR/3_slp_rhc_dYyJ_slp_rhc_vsPW0kJl&RegType=Lite_Home"

而原始行是

<form name="frmLogin" method="POST" onSubmit="javascript:return validateAndSubmit();" action="TG_cim_logon.asp?SID=^YcMunDFDQUoWV32WPUMqPxeSxD4L_slp_rhc_rNvW7Fagp7FgH3l0uJR/3_slp_rhc_dYyJ_slp_rhc_vsPW0kJl&RegType=Lite_Home">

有没有什么方法可以让我安全地获得键和值对。我尝试使用空格分割，然后使用“=”字符，但引号内的字符串也可以有“=”

---

是否有其他类型的拆分方法也可以处理引号？

您可以使用如下正则表达式：

/([^=, ]+)="([^" ]+|[^," ]+)" ?"/

在python中，可以执行以下操作：

#!/usr/bin/python

import re

text = 'name="frmLogin" method="POST" onSubmit="javascript:return validateAndSubmit();" action="TG_cim_logon.asp?SID=^YcMunDFDQUoWV32WPUMqPxeSxD4L_slp_rhc_rNvW7Fagp7FgH3l0uJR/3_slp_rhc_dYyJ_slp_rhc_vsPW0kJl&RegType=Lite_Home"';

ftext = re.split( r'([^=, ]+)="([^" ]+|[^," ]+)" ?', text )

print ftext;

---

使用解析库（如用于解析html）

图书馆将为您提供一种获取所需内容的简单方法，可能只需几个步骤：

使用解析器加载页面

选择要操作的表单元素

询问你想要的数据

示例代码：

>>> import lxml.html
>>> doc = lxml.html.parse('http://stackoverflow.com/questions/13432626/split-a-s
tring-in-python-taking-care-of-quotes')
>>> form = doc.xpath('//form')[0]
>>> form
<Element form at 0xbb1870>
>>> form.attrib
{'action': '/search', 'autocomplete': 'off', 'id': 'search', 'method': 'get'}

导入lxml.html >>>doc=lxml.html.parse（'http://stackoverflow.com/questions/13432626/split-a-s python中的字符串处理引号'） >>>form=doc.xpath（'//form'）[0] >>>形式 >>>表1.attrib {'action'：'/search'，'autocomplete'：'off'，'id'：'search'，'method'：'get'} 其中

str

是原始字符串

dict=eval('dict(%s)'%name.replace(' ',','))
print dict
{'action': 'TG_cim_logon.asp?SID=^YcMunDFDQUoWV32WPUMqPxeSxD4L_slp_rhc_rNvW7Fagp7FgH3l0uJR/3_slp_rhc_dYyJ_slp_rhc_vsPW0kJl&RegType=Lite_Home', 'onSubmit': 'javascript:return,validateAndSubmit();', 'method': 'POST', 'name': 'frmLogin'}

---

这将解决您的问题。

您可以使用支持解析HTML表单的库

例如：

Python中的有状态编程web浏览。通过简单的HTML表单填充和点击链接以编程方式浏览页面

---

转义双引号可能会在这里造成问题。@JanDvorak我从未在HTML中见过任何引号转义，但事实上，这可能是个问题……如果搜索表单输入元素的值（而不是属性），则此答案适用：

{i.split('="')[0]: i.split('="')[1] for i in str.split("\" ")}

dict=eval('dict(%s)'%name.replace(' ',','))
print dict
{'action': 'TG_cim_logon.asp?SID=^YcMunDFDQUoWV32WPUMqPxeSxD4L_slp_rhc_rNvW7Fagp7FgH3l0uJR/3_slp_rhc_dYyJ_slp_rhc_vsPW0kJl&RegType=Lite_Home', 'onSubmit': 'javascript:return,validateAndSubmit();', 'method': 'POST', 'name': 'frmLogin'}