有没有办法用 Python 解析 html 标签？答案

【问题标题】：Is there a way to parse html tags with Python?有没有办法用 Python 解析 html 标签？
【发布时间】：2021-10-28 03:04:13
【问题描述】：

我需要解析几个 HTML 标签。

示例：我需要转：

<div class="title">
     <h1> Hello World </h1>
</div>

进入

['<div class="title">', '<h1> Hello World </h1>', '</div>']

【问题讨论】：

你可以用ElementTree.iterparse 来做这个例子，但它适用于格式良好的 XML，而不是凌乱的 HTML。还有 lxml 的 iterwalk here - 在这种情况下使用 lxml 的 html 解析器来构建文档，然后使用 iterwalk 来获取开始和结束标签。

标签： python html-parsing

【解决方案1】：

你可以使用 ('>

并再次将“>

【讨论】：

这会解析单个标签，我需要解析带有嵌套内容的标签。我的输出是['<', '<div class="title"> ', '<h1> Hello World ', '</h1> ', '</div>']，但是，我需要['<div class="title">', '<h1> Hello World </h1>', '</div>']。
请在您的回答中提供更多详细信息。正如目前所写的那样，很难理解您的解决方案。

【解决方案2】：

您可以将递归生成器函数与BeautifulSoup 一起使用：

import bs4
from bs4 import BeautifulSoup as soup
s = """
<div class="title">
   <h1> Hello World </h1>
</div>
"""
def get_tags(d):
   ats = " ".join(a+"="+f'"{(b if not isinstance(b, list) else " ".join(b))}"' for a, b in d.attrs.items())
   h = f'<{d.name} {ats}>' if ats else f'<{d.name}>'
   if (k:=[i for i in d.contents if isinstance(i, bs4.element.Tag)]):
      yield h
      yield from [j for l in k for j in get_tags(l)]
      yield f'</{d.name}>'
   else:
      yield f'{h}{d.text}</{d.name}>'

print(list(get_tags(soup(s, 'html.parser').contents[1])))

输出：

['<div class="title">', '<h1> Hello World </h1>', '</div>']

【讨论】：

@MyDisplay 很高兴为您提供帮助！