从html页面中提取特定内容

Question

假设我有一个html页面源代码，如：

<p><font face="Arial" color="#400040"><small><strong>

<a href="some_link">description</a>: </strong>some text.</small></font></p>

我只想提取“描述”部分？ 我该怎么做。我认为有一个非常python的方法来做到这一点。 谢谢

Answer 1

您可以使用BeautifulSoup，请参见docs中的示例：

from bs4 import BeautifulSoup
html_doc = '''<p><font face="Arial" color="#400040"><small><strong>

<a href="some_link">description</a>: </strong>some text.</small></font></p>
'''
soup = BeautifulSoup(html_doc)
for link in soup.find_all('a'):
    print(link.get('href'))

Answer 2

使用Beautifulsoup。你知道吗

>>> from BeautifulSoup import BeautifulSoup
>>> html = '<p><font face="Arial" color="#400040"><small><strong><a href="some_link">description</a>: </strong>some text.</small></font></p>'
>>> soup = BeautifulSoup(html)
>>> soup.find('a', text=True)
u'description'

如果您有多个标记（很可能是这样），您可以执行以下操作：

>>> for link in soup.findAll('a'):
...     print link.text

Answer 3

获取BeautifulSoup。然后：

from BeautifulSoup import BeautifulSoup
soup = BeautifulSoup(your_text)
description = soup.find('a').string

您可能需要修改最后一行以唯一地标识a标记。你知道吗