Zersetzen von HTML zu verknüpfen Text und Ziel

Question

einen HTML-Link wie

Angesichts

<a href="urltxt" class="someclass" close="true">texttxt</a>

Wie kann ich die URL und den Text zu isolieren?

Updates

Ich bin schön Suppe verwenden, und bin nicht in der Lage, herauszufinden, wie das zu tun.

Ich habe

soup = BeautifulSoup.BeautifulSoup(urllib.urlopen(url))

links = soup.findAll('a')

for link in links:
    print "link content:", link.content," and attr:",link.attrs

i get

*link content: None  and attr: [(u'href', u'_redirectGeneric.asp?genericURL=/root    /support.asp')]*  ...
...

Warum bin ich dabei den Inhalt?

edit: Erarbeitet auf 'stecken' wie empfohlen:)

Answer 1

Verwenden Sie Schöne Suppe . Doing it yourself ist schwieriger als es aussieht, werden Sie ein bewährtes Modul sein, besser mit.

EDIT:

Ich glaube, Sie wollen:

soup = BeautifulSoup.BeautifulSoup(urllib.urlopen(url).read())

By the way, es ist eine schlechte Idee, zu versuchen, die URL dort öffnen, als wenn es schief geht es könnte hässlich werden.

EDIT 2:

Das sollten Sie alle Links in einer Seite zeigen:

import urlparse, urllib
from BeautifulSoup import BeautifulSoup

url = "http://www.example.com/index.html"
source = urllib.urlopen(url).read()

soup = BeautifulSoup(source)

for item in soup.fetchall('a'):
    try:
        link =  urlparse.urlparse(item['href'].lower())
    except:
        # Not a valid link
        pass
    else:
        print link

Answer 2

Hier ist ein Codebeispiel zeigt die Attribute und Inhalte der Links bekommen:

soup = BeautifulSoup.BeautifulSoup(urllib.urlopen(url))
for link in soup.findAll('a'):
    print link.attrs, link.contents

Answer 3

Sieht aus wie Sie zwei Probleme haben es:

1. link.content s , nicht link.content
2. attrs ist ein Wörterbuch, kein String. Es hält Schlüsselwertpaaren für jedes Attribut in einem HTML-Elemente. link.attrs [ ‚href‘] erhalten Sie, was Sie zu sein scheinen suchen, aber Sie würden, dass in einem Check, falls Sie kommen über ein ein Tag ohne ein Attribut href wickeln möchten.

Answer 4

Auch wenn ich die anderen annehmen könnte korrekt sein, das Sie darauf hinweist Schöne Suppe zu verwenden, sie Macht nicht, und eine externe Bibliothek könnte massiv over-the-top sein für Ihre Zwecke. Hier ist ein regulärer Ausdruck, die das tun, was Sie fragen.

/<a\s+[^>]*?href="([^"]*)".*?>(.*?)<\/a>/

Hier ist, was es passt:

'<a href="url" close="true">text</a>'
// Parts: "url", "text"

'<a href="url" close="true">text<span>something</span></a>'
// Parts: "url", "text<span>something</span>"

Wenn Sie wollten bekommen nur der Text. (ZB: „textsomething“ im zweiten Beispiel oben), würde ich einfach eine andere Regex überfahren es etwas zwischen spitzen Klammern Streifen