如何在Python中使用html5lib获取body元素的内容？

Question

如何在Python中使用html5lib获取元素的内容？

输入数据示例：xxxyyy

预期输出： xxxyyy

即使 HTML 被破坏（未封闭的标签，...），它也应该可以工作。

Answer 1

html5lib 允许您使用各种标准树格式来解析文档。您可以使用 lxml 来完成此操作，就像我在下面所做的那样，或者您可以按照用户文档中的说明使用 minidom, ElementTree 或 BeautifulSoup 。

file = open("mydocument.html")
doc = html5lib.parse(file, treebuilder="lxml")
content = doc.findtext("html/body", default=None):

对评论的回应

无需使用自己的simpletree.py，但根据文件开头的注释判断
我猜这不是推荐的方式...

# Really crappy basic implementation of a DOM-core like thing

但是，如果您仍然想这样做，您可以像这样解析 html 文档：

f = open("mydocument.html")
doc = html5lib.parse(f) 

然后通过对 html 进行广度优先搜索来找到您要查找的元素文档中的子节点。节点保存在名为 childNodes 的数组中，每个节点都有一个存储在字段 name 中的名称。