使用Python搜索特定的HTML字符串

Question

什么模塊是編寫Python程序的最佳方式，該程序可以搜索數百個html文檔並刪除給定的html字符串。 例如，如果我有一個<a href="test.html">Test</a>的html文檔，而我想從具有該文檔的每個html頁面中刪除它。

非常感謝您的幫助，我不需要有人為我編寫程序，只是在正確方向上提供了幫助。

Answer 1

如果您要搜索的字符串原樣位於HTML中，那么簡單的字符串替換就可以了：

old_html = open(html_file).read()
new_html = old_html.replace(my_string, "")
if new_html != old_html:
    open(html_file, "w").write(new_html)

作為字符串實際不在HTML中的示例，假設您正在按照您所說的那樣查找“ Test”。 您是否希望它與這些HTML片段匹配？：

<a href='test.html'>Test</a>
<A HREF='test.html'>Test</A>
<a href="test.html" class="external">Test</a>
<a href="test.html">Tes&#116;</a>

依此類推：“相同” HTML可以用許多不同的方式表示。 如果您知道HTML中使用的精確字符，那么簡單的字符串替換就可以了。 如果需要在HTML語義級別進行匹配，則需要使用更高級的工具（例如BeautifulSoup），但即使在不受刪除影響的部分中，您也可能會獲得與開始時非常不同的HTML輸出。 ，因為整個文件將被解析並重構。

要對許多文件執行代碼，您會發現os.path.walk可用於在樹中查找文件，或者glob.glob用於將文件名匹配到類似shell的通配符模式。

Answer 2

BeautifulSoup或lxml 。

Answer 3

htmllib

該模塊定義了一個類，該類可以用作解析以超文本標記語言（HTML）格式化的文本文件的基礎。 該類與I / O沒有直接關系，它必須通過方法以字符串形式提供輸入，並調用“格式化程序”對象的方法以產生輸出。 HTMLParser類旨在用作其他類的基類，以增加功能，並允許擴展或覆蓋其大多數方法。 反過來，該類又繼承自sgmllib模塊中定義的SGMLParser類。 HTMLParser實現支持RFC 1866中描述的HTML 2.0語言。