用Python在XML或HTML文件的标记之间获取数据的简单方法?

没有外部模块,如

>>> myhtml = """ <tag>I need this stuff</tag>
... blah blah
... <tag>I need this stuff too
... </tag>
... blah blah """
>>> for item in myhtml.split("</tag>"):
...   if "<tag>" in item:
...       print item [ item.find("<tag>")+len("<tag>") : ]
...
I need this stuff
I need this stuff too

Beautiful Soup 是一个很好的用于Python的HTML/XML解析器:

漂亮的汤是一个python html/xml 为快速周转而设计的解析器 类似屏幕抓取的项目。三 功能强大:

1. 如果你加价不好,这道漂亮的汤就不会呛人。它产生了 分析树,使 像你的原始文件一样有意义。 这个通常足够收集 你需要的数据就会跑掉。
2. 美丽的汤提供了一些简单的方法和蟒蛇习语 导航、搜索和修改 解析树:用于分析 记录并提取所需内容。 您不必创建自定义 每个应用程序的分析器。
3. 漂亮的汤自动将传入的文档转换为Unicode 以及发送到UTF-8的文件。你 不用考虑编码, 除非文档没有指定 编码和靓汤不能 自动检测一个。那么你只需要 指定原始编码。

我很喜欢分析 element tree 然后使用 element.text 和 element.tail .

它也有 XPath 喜欢搜索

>>> from xml.etree.ElementTree import ElementTree
>>> tree = ElementTree()
>>> tree.parse("index.xhtml")
<Element html at b7d3f1ec>
>>> p = tree.find("body/p")     # Finds first occurrence of tag p in body
>>> p
<Element p at 8416e0c>
>>> p.text
"Some text in the Paragraph"
>>> links = p.getiterator("a")  # Returns list of all links
>>> links
[<Element a at b7d4f9ec>, <Element a at b7d4fb0c>]
>>> for i in links:             # Iterates through all found links
...     i.attrib["target"] = "blank"
>>> tree.write("output.xhtml")

我就是这样做的:

    (myhtml.split('<tag>')[1]).split('</tag>')[0]

告诉我它是否有效!

使用xpath和lxml;

from lxml import etree

pageInMemory = open("pageToParse.html", "r")

parsedPage = etree.HTML(pageInMemory)

yourListOfText = parsedPage.xpath("//tag//text()")

saveFile = open("savedFile", "w")
saveFile.writelines(yourListOfText)

pageInMemory.close()
saveFile.close()

比清汤快。

如果你想测试你的xpath-我发现 FireFox's Xpather extremely helpful .

进一步说明:

• lxml-an-underappreciated-web-scraping-library
• web-scraping-with-lxml

def value_tag(s):
    i = s.index('>')
    s = s[i+1:]
    i = s.index('<')
    s = s[:i]
    return s