是否有一个 Python 库可以让我在不干扰标记的情况下获得任意 HTML 片段？据我所知，lxml、BeautifulSoup 和 pyquery 都可以轻松实现类似 soup.find(".arbitrary-class") 的功能。 ，但它返回的 HTML 是经过格式化的。我想要原始的原始标记。
例如，假设我有这个:
<html>
<head>
<title>test</title>
</head>
<body>
<div class="arbitrary-class">
This is some<br />
markup with <br>
<p>some potentially problematic</p>
stuff in it <input type="text" name="w00t">
</div>
</body>
</html>
我想准确捕捉:
"
This is some<br />
markup with <br>
<p>some potentially problematic</p>
stuff in it <input type="text" name="w00t">
"
...空格等等，并且不会破坏标签的正确格式(例如 <br />)。
问题似乎在于，所有 3 个库似乎都在内部构建 DOM，并且只是返回一个代表文件应该的 Python 对象，而不是它是什么 ，所以我不知道在哪里/如何获取我需要的原始代码片段。
最佳答案
这段代码:
from bs4 import BeautifulSoup
with open("index.html") as fp:
soup = BeautifulSoup(fp, "html.parser")
print soup.select(".arbitrary-class")[0].contents
将返回给您列表:
[u'\n This is some', <br/>, u'\n markup with ', <br/>, u'\n', <p>some potentially problematic</p>, u'\n stuff in it ', <input name="w00t" type="text"/>, u'\n']
编辑:
正如丹尼尔在评论中指出的，这会导致标准化标签。
我能找到的唯一替代方法是使用解析器生成器，例如 pyparsing。下面的代码是对他们的一些example code稍作修改对于withAttribute功能。
from pyparsing import *
html = """<html>
<head>
<title>test</title>
</head>
<body>
<div class="arbitrary-class">
This is some<br />
markup with <br>
<p>some potentially problematic</p>
stuff in it <input type="text" name="w00t">
</div>
</body>
</html>"""
div,div_end = makeHTMLTags("div")
# only match div tag having a class attribute with value "arbitrary-class"
div_grid = div().setParseAction(withClass("arbitrary-class"))
grid_expr = div_grid + SkipTo(div | div_end)("body")
for grid_header in grid_expr.searchString(html):
print repr(grid_header.body)
此代码的输出如下:
'\n This is some<br />\n markup with <br>\n <p>some potentially problematic</p>\n stuff in it <input type="text" name="w00t">'
请注意第一个 <br/>现在有一个空间，并且 <input>标签不再在结束 > 之前添加/。与您的规范的唯一区别是缺少尾随空格。您也许可以通过改进此解决方案来解决此差异。
关于python - 如何捕获 HTML，不受捕获库的干扰？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/50855442/