[英]How can I remove everything except a selected tag from a html file with python?
如果我有這個部門:
<div class="wikicontent" id="wikicontentid">
我如何使用Python來打印該標簽及其內容?
你可以使用BeautifulSoup :
import bs4
soup = bs4BeautifulSoup(html_content);
result = soup.find("div", { "class" : "wikicontent", "id" : "wikicontentid" })
使用Beautiful Soup模塊。
>>> import bs4
假設我們有一個包含許多div的文檔,一些與類匹配,一些與id匹配,另一個同時執行:
>>> html = '<div class="wikicontent">blah1</div><div class="wikicontent" id="wikicontentid">blah2</div><div id="wikicontentid">blah3</div>'
我們可以用美麗的湯解析:
>>> soup = bs4.BeautifulSoup(html)
要找到所有的div:
>>> soup.find_all('div')
[<div class="wikicontent">blah1</div>, <div class="wikicontent" id="wikicontentid">blah2</div>, <div id="wikicontentid">blah3</div>]
這是一個bs4.element.ResultSet
包含三個bs4.element.Tag
您可以通過提取[]
運營商。
要查找與給定id匹配的所有內容,請使用id
關鍵字參數:
>>> soup.find_all(id='wikicontentid')
[<div class="wikicontent" id="wikicontentid">blah2</div>, <div id="wikicontentid">blah3</div>]
要匹配類,請使用class_
keyword參數(注意下划線):
>>> soup.find_all(class_='wikicontent')
[<div class="wikicontent">blah1</div>, <div class="wikicontent" id="wikicontentid">blah2</div>]
您可以在一次調用中組合這些選擇器:
>>> soup.find_all('div', class_='wikicontent', id='wikicontentid')
[<div class="wikicontent" id="wikicontentid">blah2</div>]
如果您知道只有一場比賽或者您只對第一場比賽感興趣,請使用soup.find
:
>>> soup.find(class_='wikicontent', id='wikicontentid')
<div class="wikicontent" id="wikicontentid">blah2</div>
和以前一樣,這不是一個字符串,
>>> type(soup.find('div', class_='wikicontent', id='wikicontentid'))
<class 'bs4.element.Tag'>
但你可以把它變成一個:
>>> str(soup.find('div', class_='wikicontent', id='wikicontentid'))
'<div class="wikicontent" id="wikicontentid">blah2</div>'
要下載頁面源,請使用http://docs.python-requests.org/en/latest/ ,對於解析html / css標簽,請使用http://lxml.de/ 。
import requests
import lxml.html
dom = lxml.html.fromstring(requests.get('http://theurlyourscraping.com').content)
wikicontent = [x for x in dom.xpath('//div[@class="wikicontent"]/text()')]
print wikicontent
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.