python中如何利用HTMLParser抽取文本内容

Question

我查了下大部分范例都是抽取标签属性的

比如<a href="链接地址">链接内容</a>

链接地址我知道怎么抽取

但是链接内容我该如何抽取呢?

Answer 1

都说BeautifulSoup很强大，试用了一下，大部分网站可以解析，也有大部分网站解析出错，

你可以试一下解析这个很普通的网站http://www.2345.com/world.htm，提取所以的超链接看看，没法解析，版本3.2.1

 

Answer 2

如果你非要用HTMLParser的话，这个文档里也有说明，http://docs.python.org/library/htmlparser.html

重写各个方法， def handle_starttag(self, tag, attrs):

        print "Start tag:", tag         for attr in attrs:             print "     attr:", attr     def handle_endtag(self, tag):         print "End tag  :", tag     def handle_data(self, data): 
        print "Data     :", data
这个handle_data里的data就是你想要的

Answer 3

pyquery is as good as your bf/gf ,check it out at :http://pypi.python.org/pypi/pyquery/

the doc:http://packages.python.org/pyquery/api.html

Answer 4

BeautifulSoup, check it out

http://www.crummy.com/software/BeautifulSoup/