我想用python解析HTML

我有一个小班：

class HTMLTagStripper(HTMLParser):
    def __init__(self):
       self.reset()
       self.fed = []
    def handle_data(self, data):
       self.fed.append(data)
    def handle_starttag(self, tag, attrs):
       if tag == 'a':
           return attrs[0][1]
    def get_data(self):
       return ''.join(self.fed)

解析此HTML代码：

长文本

点击

这是我得到的结果：

长文本单击此处

但是我想得到：

长文本点击somelink.com

有什么方法可以做到这一点吗？

看看。。它将做到这一点，甚至更多

或者，您可以使用正则表达式/字符串操作删除所需的数据。从长远来看，使用像BeautifulSoup这样的东西会有回报，特别是如果你希望做更多的话

这里有一种方法可以使用BeautifulSoup提取HTML数据中的单个/唯一链接（我不是这方面的专家，所以可能还有其他更好的方法-欢迎建议/更正）

从美化组导入美化组
s=”“”
长文本

点击
"""
汤=美汤（s）
你的链接=soup.find（'a'，href=True）['href']
打印“长文本点击”链接

将打印：

---

长文本单击somelink.com

这对您不起作用：

x = re.compile(r'<.*?>')
stripped = x.sub('', html)

x=re.compile（r''）
剥离=x.sub（“”，html）

因为您还想从html标记中提取一些属性（如href）

正如列文所指出的：你应该选择BeautifulSoup。

取代这个：

def handle_starttag(self, tag, attrs):
   if tag == 'a':
       return attrs[0][1]

为此：

def handle_starttag(self, tag, attrs):
   if tag == 'a':
       value = dict(attrs).get("href", None)
       if value:
           # add extra spaces since you dont sanitize
           # them in get_data
           self.fed.append(" %s " % value)

---

应该是一种工作。或者不，取决于html源代码。这就是为什么我们有BeatifulSoup。

我实际上是在检查这个新的html解析器库，并提出了这个解决方案：

from htmldom import htmldom
dom = htmldom.HtmlDom().createDom( """<div id="footer">
<p>long text.</p>
<p>click <a href="somelink.com">here</a>
</div>""");
nodes = dom.find( "p" ).children( all_children = True ) # this makes all text nodes to be in the set.
for node in nodes:
    if node._is( "a" ):
        print( node.attr( "href" ).strip() )
    elif node._is( "text" ):
        print( node.getNode().text, end = '', sep = ' ' )

从htmldom导入htmldom
dom=htmldom.htmldom（）.createDom（“”）
长文本

点击
""");
nodes=dom.find（“p”）.children（all_children=True）#这使得所有文本节点都在集合中。
对于节点中的节点：
如果节点是（“a”）：
打印（node.attr（“href”）.strip（））
elif节点是（“文本”）：
打印（node.getNode（）.text，end=''，sep=''）

---

您可以从python包index:下载该库，该库在Python3.x上工作，库的文档不是很好，但可以理解。希望你喜欢答案：）

如果有意愿。。。我知道我会因为这个建议而被批评，但是如果你想做的只是删除标签，你可以使用正则表达式：-）或者其他为它设计的库。啊，对了。谢谢你指出这一点。在这个问题上没有注意到。@ USS1307624，如果这解决了你的问题，请考虑我的答案旁边。它会将此问题标记为已解决，并奖励我们两人一些代表积分。谢谢。你可以在

from htmldom import htmldom
dom = htmldom.HtmlDom().createDom( """<div id="footer">
<p>long text.</p>
<p>click <a href="somelink.com">here</a>
</div>""");
nodes = dom.find( "p" ).children( all_children = True ) # this makes all text nodes to be in the set.
for node in nodes:
    if node._is( "a" ):
        print( node.attr( "href" ).strip() )
    elif node._is( "text" ):
        print( node.getNode().text, end = '', sep = ' ' )