python：获取开始和结束html标记

问题：

如何使用python（3.6）查找所有打开和关闭HTML标记的文本。 这需要是精确的文本，保留空格和可能非法的html：

# input
html = """<p>This <a href="book"> book </a  > will help you</p attr="e">"""

# desired output
output = ['<p>', '<a href="book">', '</a  >', '</p attr="e">']

---

handle\u endtag

的

tag

参数只是一个字符串

“a”

或

“p”

，而不是一些可以提供整个标记的自定义数据类型。

您可以使用递归并迭代

soup。contents

属性：

from bs4 import BeautifulSoup as soup

html = """<p>This <a href="book"> book </a> will help you</p>"""

def attrs(_d):
  if _d.name != '[document]':
    _attrs = ' '.join(f'{a}="{b}"' for a, b in getattr(_d, 'attrs', {}).items())
    yield f'<{_d.name}>' if not _attrs else f'<{_d.name} {_attrs}>'
  for i in _d.contents:
    if not isinstance(i, str):
       yield from attrs(i)
  if _d.name != '[document]':
    yield f'</{_d.name}>'

print(list(attrs(soup(html, 'html.parser'))))

输出：

['<p>', '<a href="book">', '</a>', '</p>']

['<p>', '<a href="book">', '</a  >', '</p attr="e">']

[''，''，'
']

虽然@Ajax1234的答案包含一些不错的python+beautifulsoup，但我发现它非常不稳定。主要是因为我需要html标记的确切字符串该方法找到的每个标记必须出现在html文本中。这会导致以下问题：

• 它解析HTML中的标记名和属性并插入它们 一起构成标记的字符串

  如果没有，则产生f'.\u attrs else f'.

  。这样就消除了标记中多余的空白：
  变成了

• 它总是生成结束标记，即使标记中没有结束标记

• 它对于列表属性失败：
  变成

通过在处理HTML之前清除HTML，可以部分解决空白问题。我用过，但那可能太激进了。值得注意的是，在使用之前，您必须指定一个已接受标记的列表

一个更好的方法是用薄薄的包装。 这是我在我的问题中已经开始的，这里的区别是我自动添加并生成一个结束标记

from html.parser import HTMLParser

class MyHTMLParser(HTMLParser):
    def __init__(self):
        super().__init__()
        self.tags = []

    def handle_starttag(self, tag, attrs):
        self.tags.append(self.get_starttag_text())

    def handle_endtag(self, tag):
        self.tags.append(f"</{tag}>")

parser = MyHTMLParser();
parser.feed("""<p > Argh, whitespace and p is not closed </a>""")
parser.tags # ['<p >', '</a>']

从html.parser导入HTMLParser
类MyHtmlPasser（HtmlPasser）：
定义初始化（自）：
super（）。\uuuu init\uuuuu（）
self.tags=[]
def句柄\u开始标记（自身、标记、属性）：
self.tags.append（self.get\u starttag\u text（））
def handle_endtag（self，tag）：
self.tags.append（f“”）
parser=MyHTMLParser（）；
feed（“Argh，空格和p未关闭”）
parser.tags#[''，']

---

这解决了上面提到的问题，但它有一个缺点，它没有查看结束标记的实际文本。如果结束标记中有额外的参数或空格，解析将不会显示它们。

您使用的是什么Python版本？@DanielMesejo version 3.6oh lala，fancy:D不幸的是，我需要标记的确切文本。例如“

”应该保留这两个空格。@lhk HTML数据的来源和用途是什么？我不确定这可以在

bs4

中轻松实现。您可能需要使用正则表达式，我希望获取HTML中包含的文本，通过语言处理管道运行它，更改部分内容，并将更改后的文本插入HTML标记中。为此，我需要删除HTML标记并将它们重新插入。如果我知道标记的确切文本，我可以用“THISISHTML”之类的东西替换所有标记，然后用spacy标记它，删除“THISISHTML”标记，但保留它们的索引。在处理之后，在每个索引处，我将html标记添加回。但这意味着正确识别标签。我有一个正则表达式解决方案，但是它有问题，所以我想从一个健壮的html解析器获得html标记，而不是正则表达式。令人惊讶的是，我还没有找到一个可以轻松做到这一点的框架。Beautifulsoup只提供所有标记及其内容，漂白剂可以删除标记，但不会告诉您它删除了什么，html.parser有一个奇怪的缺少get_end_标记的方法，……我想我找到了一个很好的方法：用漂白剂清理html，然后使用代码。但漂白剂似乎很不一致。

['<p>', '<a href="book">', '</a  >', '</p attr="e">']

from html.parser import HTMLParser

class MyHTMLParser(HTMLParser):
    def __init__(self):
        super().__init__()
        self.tags = []

    def handle_starttag(self, tag, attrs):
        self.tags.append(self.get_starttag_text())

    def handle_endtag(self, tag):
        self.tags.append(f"</{tag}>")

parser = MyHTMLParser();
parser.feed("""<p > Argh, whitespace and p is not closed </a>""")
parser.tags # ['<p >', '</a>']