在python中捕获特定标记之间的数据

我正在获取python中的url内容。。。我想捕获

和

之间的所有内容

我尝试的是：

myString='''<h1>kgkgjgjgkjgkjgkj</h1>
<h1>kdfgggggggggggggggggggkgjgjgkjgkjgkj</h1>
dsfgdfgg
<h1>kgkgjgjgkdfgdfgdgdfjgkjgkj</h1>
dfgdffdgf
<h1>kgkgjgjsdssssssssssssssssssssgkjgkjgkj</h1>
dfgdfgdg
<h1>kgkgjgjgkjgkjgkgggggggggggggggggggj</h1>
'''
if '<h1>' in myString:
    startString='<h1>'
    endString='</h1>'
    print myString[myString.find(startString)+len(startString):myString.find(endString)]

myString='''kgkgjgkjgkjgkj
Kdfggggggggggggggkgjgkjgkjgkjgkj
dsfgdfgg
kgkgjgjgkdfgdfgdfjgkjgkj
dfgdffdgf
kgkgjgjsssssssssssssgkjgkjgkj
dfgdfgdg
kgkgjgjgkjgkjgkgggggggggggggggj
'''
如果myString中有“”：
startString=''
endString=''
打印myString[myString.find（startString）+len（startString）：myString.find（endString）]

我有多个

h1

标签。但是它捕获第一个h1标记之间的数据

---

如何在所有

h1

标记之间捕获数据？

您可以使用一个简单的：

未包含在标准库中，因此您需要手动安装。您可以通过pip轻松安装：

pip install beautifulsoup4

---

使用BeautifulSoup解析器

>>> from bs4 import BeautifulSoup
>>> myString='''<h1>kgkgjgjgkjgkjgkj</h1>
<h1>kdfgggggggggggggggggggkgjgjgkjgkjgkj</h1>
dsfgdfgg
<h1>kgkgjgjgkdfgdfgdgdfjgkjgkj</h1>
dfgdffdgf
<h1>kgkgjgjsdssssssssssssssssssssgkjgkjgkj</h1>
dfgdfgdg
<h1>kgkgjgjgkjgkjgkgggggggggggggggggggj</h1>
'''
>>> soup = BeautifulSoup(myString)
>>> h1 = soup.select('h1')
>>> for i in h1:
    print i.text


kgkgjgjgkjgkjgkj
kdfgggggggggggggggggggkgjgjgkjgkjgkj
kgkgjgjgkdfgdfgdgdfjgkjgkj
kgkgjgjsdssssssssssssssssssssgkjgkjgkj
kgkgjgjgkjgkjgkgggggggggggggggggggj
>>> 

>>来自bs4导入组
>>>myString=''kgkgjgjgkjgkjgkj
Kdfggggggggggggggkgjgkjgkjgkjgkj
dsfgdfgg
kgkgjgjgkdfgdfgdfjgkjgkj
dfgdffdgf
kgkgjgjsssssssssssssgkjgkjgkj
dfgdfgdg
kgkgjgjgkjgkjgkgggggggggggggggj
'''
>>>汤=美汤（myString）
>>>h1=汤。选择（'h1'）
>>>对于h1中的i：
打印i.text
kgkgjgkjgkjgkjgkj
Kdfggggggggggggggkgjgkjgkjgkjgkj
kgkgjgjgkdfgdfgdfjgkjgkj
kgkgjgjsssssssssssssgkjgkjgkj
kgkgjgjgkjgkjgkgggggggggggggggj
>>> 

漂亮汤的工作示例

>>> import bs4
>>> myString='''<h1>kgkgjgjgkjgkjgkj</h1>
... <h1>kdfgggggggggggggggggggkgjgjgkjgkjgkj</h1>
... dsfgdfgg
... <h1>kgkgjgjgkdfgdfgdgdfjgkjgkj</h1>
... dfgdffdgf
... <h1>kgkgjgjsdssssssssssssssssssssgkjgkjgkj</h1>
... dfgdfgdg
... <h1>kgkgjgjgkjgkjgkgggggggggggggggggggj</h1>
... '''
>>> soup = bs4.BeautifulSoup(myString)
>>> soup.find("h1").text
u'kgkgjgjgkjgkjgkj'
>>> soup.find_all("h1")
[<h1>kgkgjgjgkjgkjgkj</h1>, <h1>kdfgggggggggggggggggggkgjgjgkjgkjgkj</h1>, <h1>kgkgjgjgkdfgdfgdgdfjgkjgkj</h1>, <h1>kgkgjgjsdssssssssssssssssssssgkjgkjgkj</h1>, <h1>kgkgjgjgkjgkjgkgggggggggggggggggggj</h1>]

导入bs4 >>>myString=''kgkgjgjgkjgkjgkj ... Kdfggggggggggggggkgjgkjgkjgkjgkj ... dsfgdfgg ... kgkgjgjgkdfgdfgdfjgkjgkj ... dfgdffdgf ... kgkgjgjsssssssssssssgkjgkjgkj ... dfgdfgdg ... kgkgjgjgkjgkjgkgggggggggggggggj ... ''' >>>汤=bs4.BeautifulSoup（myString） >>>soup.find（“h1”）.text u'kgkgjgkjgkjgkj' >>>汤。全部找到（“h1”） [kgkgjgjgkjgkjgkjgkjgkjggggggggggggkgjgjgkjgkjgkj，kgkgjgjgkdfgdgfgdfjgkjgkjgkjgkj，kgkgjgjgjsssssssssssssssgkjgkjgkjgkjgkj，kgjgjgjgjgjgkjgkjggkjggggggggggggggggggggggggggggggg

---

简单列表补偿解决方案：

print [s.split('</h1>')[0] for s in myString.split('<h1>')[1:]]

myString.split（“”）[1:]

我会选择Beautifulsoup——我的尝试

from bs4 import BeautifulSoup
import requests

url = 'http://accessibility.psu.edu/headingshtml/'

respons = requests.get(url).content

soup = BeautifulSoup(respons,'lxml')

h1tags = soup.find_all('h1')

for singleTag in h1tags:
    print singleTag.text

打印（在这种情况下，只有一个h1标签）

---

请与那些多个

h1

标记共享示例数据。如果您打算提取html内容，那么您应该使用，这要容易得多。在演示并被告知您应该使用html解析器之后，您究竟为什么尝试自己使用字符串搜索来实现它？！如果您想解析HTML，请使用HTML解析器-线索就在名称中。错误：`/usr/local/lib/python2.7/dist-packages/bs4/_-init__.py:166:UserWarning:没有显式指定解析器，因此我正在使用此系统可用的最佳HTML解析器（“lxml”）。这通常不是问题，但如果您在另一个系统上或在不同的虚拟环境中运行此代码，它可能会使用不同的解析器并表现出不同的行为。要消除此警告，请将此：BeautifulSoup（[您的标记]）更改为：BeautifulSoup（[您的标记]，“lxml”）markup_type=markup_type））`@MortezaLSC那么您是否阅读了该消息，并/或按照它的建议执行了？啊！它不会返回所有h1标记，只返回其中一个：（@SIslam两种方法都显示了，find将只返回第一次出现的元素，而find_all将返回搜索到的所有元素。谢谢-我根据OP的需要假设-不需要

find

，无论如何，谢谢。谢谢。我如何才能消除错误：/usr/local/lib/python2.7/dist packages/bs4/u init_uu.py:166：用户警告：没有明确的解析器这通常不是问题，但如果您在另一个系统上或在不同的虚拟环境中运行此代码，它可能会使用不同的语法分析器，并且表现不同。要消除此警告，请将此：beautifulsou（[您的标记]）更改为：beautifulsou(“您的标记”，“LXML”（MulkopyType＝MARKUPYPE类型））@ MortezaLSC，这不是一个错误。您考虑阅读它吗？试试<代码>汤=漂亮的汤（MySnpe，“html。语法分析器”）< /> > @ AvinashRaj >代码>汤。选择< /COD>是一个聪明的方式替代<代码> FiffyALL < /代码>呵呵！

print [s.split('</h1>')[0] for s in myString.split('<h1>')[1:]]

from bs4 import BeautifulSoup
import requests

url = 'http://accessibility.psu.edu/headingshtml/'

respons = requests.get(url).content

soup = BeautifulSoup(respons,'lxml')

h1tags = soup.find_all('h1')

for singleTag in h1tags:
    print singleTag.text

Heading Tags (H1, H2, H3, P) in HTML