que necesito para obtener el texto dentro de los dos elementos en una cadena:análisis de HTML para obtener el texto dentro de un elemento
source_code = """<span class="UserName"><a href="#">Martin Elias</a></span>"""
>>> text
'Martin Elias'
¿Cómo podría lograr esto?
busqué "pitón analizar HTML" y este fue el primer resultado: https://docs.python.org/2/library/htmlparser.html
Este código se toma de los documentos pitón
from HTMLParser import HTMLParser
# create a subclass and override the handler methods
class MyHTMLParser(HTMLParser):
def handle_starttag(self, tag, attrs):
print "Encountered a start tag:", tag
def handle_endtag(self, tag):
print "Encountered an end tag :", tag
def handle_data(self, data):
print "Encountered some data :", data
# instantiate the parser and fed it some HTML
parser = MyHTMLParser()
parser.feed('<html><head><title>Test</title></head>'
'<body><h1>Parse me!</h1></body></html>')
aquí está el resultado:
Encountered a start tag: html
Encountered a start tag: head
Encountered a start tag: title
Encountered some data : Test
Encountered an end tag : title
Encountered an end tag : head
Encountered a start tag: body
Encountered a start tag: h1
Encountered some data : Parse me!
Encountered an end tag : h1
Encountered an end tag : body
Encountered an end tag : html
Usando esto y mirando el código en HTMLParser, se me ocurrió esto:
class myhtmlparser(HTMLParser):
def __init__(self):
self.reset()
self.NEWTAGS = []
self.NEWATTRS = []
self.HTMLDATA = []
def handle_starttag(self, tag, attrs):
self.NEWTAGS.append(tag)
self.NEWATTRS.append(attrs)
def handle_data(self, data):
self.HTMLDATA.append(data)
def clean(self):
self.NEWTAGS = []
self.NEWATTRS = []
self.HTMLDATA = []
Se puede utilizar la siguiente manera:
from HTMLParser import HTMLParser
pstring = source_code = """<span class="UserName"><a href="#">Martin Elias</a></span>"""
class myhtmlparser(HTMLParser):
def __init__(self):
self.reset()
self.NEWTAGS = []
self.NEWATTRS = []
self.HTMLDATA = []
def handle_starttag(self, tag, attrs):
self.NEWTAGS.append(tag)
self.NEWATTRS.append(attrs)
def handle_data(self, data):
self.HTMLDATA.append(data)
def clean(self):
self.NEWTAGS = []
self.NEWATTRS = []
self.HTMLDATA = []
parser = myhtmlparser()
parser.feed(pstring)
# Extract data from parser
tags = parser.NEWTAGS
attrs = parser.NEWATTRS
data = parser.HTMLDATA
# Clean the parser
parser.clean()
# Print out our data
print tags
print attrs
print data
Ahora usted debería ser capaz de extraer los datos desde esas listas fácilmente. Espero que esto haya ayudado!
Esto es hermoso :) – AsheKetchum
Recomiendo usar la biblioteca Python Beautiful Soup 4.
pip install beautifulsoup4
Hace que el análisis de HTML sea realmente sencillo.
from bs4 import BeautifulSoup
source_code = """<span class="UserName"><a href="#">Martin Elias</a></span>"""
soup = BeautifulSoup(source_code)
print soup.a.string
>>> 'Martin Elias'
Sé que la pregunta está etiquetada python-2.x, pero creo que debe tenerse en cuenta que beautifulsoup solo funciona en python 2.x. – LJNielsenDk
Beautiful Soup 4 funciona tanto en 2.7 como en 3. –
¿Dónde encuentras buena documentación de la API para sopa hermosa? –
También puede intentar usar html5lib y XPath, there is a good question about it here, esa respuesta tiene un detalle importante (namespaceHTMLElements) para recordar a hacer html5lib comportarse como se esperaba. Perdí tanto tiempo intentando ponerlo a funcionar porque pasé por alto que tenía que cambiar eso.
Instalar BeautifulSoup y Se puede hacer así:
from BeautifulSoup import BeautifulSoup
source_code = '"""<span class="UserName"><a href="#">Martin Elias</a></span>"""'
soup = BeautifulSoup(source_code)
print soup.find('span',{'class':'UserName'}).text
Theres varias maneras de pelar el gato aquí. ¿Cuál es el resultado final? Podría hacer javascript o algún análisis del lado del servidor. –