텍스트와 대상을 연결하기 위해 HTML 분해
-
08-07-2019 - |
문제
다음과 같은 HTML 링크가 주어지면
<a href="urltxt" class="someclass" close="true">texttxt</a>
URL과 텍스트를 어떻게 분리할 수 있나요?
업데이트
저는 Beautiful Soup을 사용하고 있는데 어떻게 해야 할지 모르겠습니다.
내가 그랬어
soup = BeautifulSoup.BeautifulSoup(urllib.urlopen(url))
links = soup.findAll('a')
for link in links:
print "link content:", link.content," and attr:",link.attrs
나는 얻다
*link content: None and attr: [(u'href', u'_redirectGeneric.asp?genericURL=/root /support.asp')]* ...
...
콘텐츠가 누락된 이유는 무엇인가요?
편집하다:조언대로 '고착'에 대해 자세히 설명했습니다 :)
해결책
사용 아름다운 수프.직접 수행하는 것은 보기보다 어렵습니다. 시도되고 테스트된 모듈을 사용하는 것이 더 나을 것입니다.
편집하다:
내 생각엔 당신이 원하는 것:
soup = BeautifulSoup.BeautifulSoup(urllib.urlopen(url).read())
그건 그렇고, URL을 열어보는 것은 나쁜 생각입니다. 잘못되면 보기 흉해질 수 있기 때문입니다.
편집 2:
그러면 페이지의 모든 링크가 표시됩니다.
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
다른 팁
다음은 링크의 속성과 내용을 가져오는 것을 보여주는 코드 예제입니다.
soup = BeautifulSoup.BeautifulSoup(urllib.urlopen(url))
for link in soup.findAll('a'):
print link.attrs, link.contents
거기에는 두 가지 문제가 있는 것 같습니다.
- 링크.콘텐츠에스, link.content 아님
- attrs는 문자열이 아니라 사전입니다.HTML 요소의 각 속성에 대한 키 값 쌍을 보유합니다.link.attrs['href'] 는 찾고 있는 것으로 보이는 것을 얻을 수 있지만 href 속성이 없는 태그를 발견할 경우를 대비해 이를 검사로 포장하는 것이 좋습니다.
다른 사람들은 그럴 거라고 생각하지만 ~할 것 같다 Beautiful Soup을 사용하도록 지시하는 것이 정확합니다. ~할 것 같다 그렇지 않으며 외부 라이브러리를 사용하는 것은 귀하의 목적에 비해 엄청나게 과장될 수 있습니다.다음은 귀하가 요청한 것을 수행하는 정규식입니다.
/<a\s+[^>]*?href="([^"]*)".*?>(.*?)<\/a>/
일치하는 내용은 다음과 같습니다.
'<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>"
얻고 싶었다면 단지 텍스트(예:위의 두 번째 예에서 "textsomething"), 뾰족한 괄호 사이의 내용을 제거하기 위해 또 다른 정규식을 실행했습니다.
제휴하지 않습니다 StackOverflow