Синтаксический анализ HTML с помощью Python
Я ищу модуль синтаксического анализа HTML для Python, который может помочь мне получить теги в виде списков/словарей/объектов Python.
если у меня документ вида:
<html>
<head>Heading</head>
<body attr1='val1'>
<div class='container'>
<div id='class'>Something here</div>
<div>Something else</div>
</div>
</body>
</html>
тогда он должен дать мне способ доступа к вложенным тегам через имя или идентификатор тега HTML, чтобы я мог в основном попросить его получить мне содержимое / текст в div
тег class='container'
содержится в body
- тег, или что-то подобное.
если вы использовали Функция Firefox "Inspect element" (просмотр HTML) вы знаете, что она дает вам все теги в приятной вложенной манере, такой как дерево.
Я бы предпочел встроенный модуль, но это может быть слишком много.
Я прошел через много вопросов о переполнении стека и несколько блогов в интернете, и большинство из них предлагают BeautifulSoup или lxml или HTMLParser, но немногие из них подробно описывают функциональность и просто заканчиваются дискуссией о том, какой из них быстрее/больше эффективно.
7 ответов
Так что я могу в основном попросить его получить мне содержимое / текст в теге div с class= 'container', содержащимся в теге body, или что-то подобное.
try:
from BeautifulSoup import BeautifulSoup
except ImportError:
from bs4 import BeautifulSoup
html = #the HTML code you've written above
parsed_html = BeautifulSoup(html)
print parsed_html.body.find('div', attrs={'class':'container'}).text
вам не нужны описания, я думаю - просто прочитайте, как BeautifulSoup работает. Посмотрите на его официальная документация.
Я думаю, что вы ищете это pyquery:
pyquery: jQuery-подобная библиотека для python.
пример того, что вы хотите, может быть так:
from pyquery import PyQuery
html = # Your HTML CODE
pq = PyQuery(html)
tag = pq('div#id') # or tag = pq('div.class')
print tag.text()
и он использует те же селекторы, что и элемент проверки Firefox или Chrome. Например:
проверенный селектор элемента " div#mw-head.noprint'. Поэтому в pyquery вам просто нужно передать этот селектор:
pq('div#mw-head.noprint')
здесь вы можете узнать больше о различных парсерах HTML в Python и их производительности. Несмотря на то, что статья немного устарела, она по-прежнему дает вам хороший обзор.
производительность синтаксического анализатора Python HTML
Я бы рекомендовал BeautifulSoup, даже если он не встроен. Просто потому, что с ним так легко работать для таких задач. Например:
import urllib2
from BeautifulSoup import BeautifulSoup
page = urllib2.urlopen('http://www.google.com/')
soup = BeautifulSoup(page)
x = soup.body.find('div', attrs={'class' : 'container'}).text
по сравнению с другими библиотеками парсер lxml
очень быстро:
- http://blog.dispatched.ch/2010/08/16/beautifulsoup-vs-lxml-performance/
- http://www.ianbicking.org/blog/2008/03/python-html-parser-performance.html
и cssselect
его довольно легко использовать для очистки HTML-страниц:
from lxml.html import parse
doc = parse('http://www.google.com').getroot()
for div in doc.cssselect('a'):
print '%s: %s' % (div.text_content(), div.get('href'))
рекомендую библиотека lxml для синтаксического анализа HTML. См. "синтаксический анализ HTML" (на сайте lxml).
по моему опыту, красивый суп испортился на каком-то сложном HTML. Я считаю, что это потому, что красивый суп не парсер, а очень хороший анализатор строк.
Я рекомендую использовать justext библиотека:
https://github.com/miso-belica/jusText
использование: вместо python2:
import requests
import justext
response = requests.get("http://planet.python.org/")
paragraphs = justext.justext(response.content, justext.get_stoplist("English"))
for paragraph in paragraphs:
print paragraph.text
Python3:
import requests
import justext
response = requests.get("http://bbc.com/")
paragraphs = justext.justext(response.content, justext.get_stoplist("English"))
for paragraph in paragraphs:
print (paragraph.text)
Я бы использовал EHP
вот это:
from ehp import *
doc = '''<html>
<head>Heading</head>
<body attr1='val1'>
<div class='container'>
<div id='class'>Something here</div>
<div>Something else</div>
</div>
</body>
</html>
'''
html = Html()
dom = html.feed(doc)
for ind in dom.find('div', ('class', 'container')):
print ind.text()
выход:
Something here
Something else