Python：从html文件获取和解析文本

Question

我正在尝试有关页面排名的项目。

我想制作一个像这样的索引（字典）：
file1.html-> [[猫，吃，食物，饮料，牛奶]，[file2.html，file3.html]]
file2.html-> [[狗，吠叫，跑开，离开]，[file1.html，file4.html]]

提取链接很容易-寻找锚标记。

我的问题是-如何获取文本？ html文件中的文本未包含在<p>之类的任何标记内

预先感谢所有帮助

Answer 1

使用HTML解析器-类似于BeautifulSoup 。

Answer 2

如果文本未包含在标签中，是否为HTML？
正如Amber所说，使用诸如BeautifulSoup之类的HTML解析器，您可以轻松完成此任务。

下面的示例演示了一种用于返回标签内文本的简单方法。
此方法适用于任何标签AFAIK。

>>> from BeautifulSoup import BeautifulSoup as bs
>>> html = '''
... <div><a href="/link1">link1 contents</a></div>
... <div><a href="/link2">link2 contents</a></div>
... '''
>>> soup = bs(html)
>>> for anchor_tag in soup.findAll('a'):
...   print anchor_tag.contents[0]
... 
link1 contents
link2 contents

除此之外，我可以想象您想要一本字典，其中包含某个术语在某个HTML文档中出现的次数。 defaultdict对这种事情有好处：

>>> from collections import defaultdict
>>> d = defaultdict(int)
>>> for anchor_tag in soup.findAll('a'):
...   d[anchor_tag.contents[0]] += 1
... 
>>> d
defaultdict(<type 'int'>, {u'link1 contents': 1, u'link2 contents': 1})

希望这会给您一些想法。 如果遇到其他问题，请回来并打开另一个问题。