使用pyparsing查找以下标记

我正在使用pyparsing解析HTML。我抓住了所有 embed 标签,但在某些情况下 a 直接在后面加上标签,如果有,我也要抓取。

例子:

import pyparsing
target = pyparsing.makeHTMLTags("embed")[0]
target.setParseAction(pyparsing.withAttribute(src=pyparsing.withAttribute.ANY_VALUE))
target.ignore(pyparsing.htmlComment)

result = target.searchString(""".....
   <object....><embed>.....</embed></object><br /><a href="blah">blah</a>
   """)

我在结果对象中找不到任何字符偏移量,否则我就可以从原始输入字符串中获取一部分并从中进行工作。

编辑:

有人问我为什么不用漂亮的汤。这是一个很好的问题,让我向您展示为什么我选择不将它与代码示例一起使用:

import BeautifulSoup
import urllib
import re
import socket

socket.setdefaulttimeout(3)

# get some random blogs
xml = urllib.urlopen('http://rpc.weblogs.com/shortChanges.xml').read()

success, failure = 0.0, 0.0

for url in re.compile(r'\burl="([^"]+)"').findall(xml)[:30]:
    print url
    try:
        BeautifulSoup.BeautifulSoup(urllib.urlopen(url).read())
    except IOError:
        pass
    except Exception, e:
        print e
        failure += 1
    else:
        success += 1


print failure / (failure + success)

当我尝试这个的时候,BeautifulSoup由于解析错误而失败。 20-30%的时间 .这些不是罕见的边缘病例。Pyparsing很慢,也很麻烦,但是不管我怎么扔它,它都没有被炸毁。如果我能得到启发,找到一个更好的方法来使用漂亮的汤,那么我真的很有兴趣知道这一点。