如何從python的html文件中移除除了選定標籤之外的所有內容？

Question

如果我有這樣的劃分：

<div class="wikicontent" id="wikicontentid">

我如何可以使用Python打印只是標籤和它的內容是什麼？

Answer 1

您可以使用BeautifulSoup：

import bs4 

soup = bs4BeautifulSoup(html_content); 
result = soup.find("div", { "class" : "wikicontent", "id" : "wikicontentid" }) 

Answer 2

使用Beautiful Soup模塊。

>>> import bs4 

假設我們有一個包含若干個的div，一些匹配類和部分匹配該ID和一個沒有兩個文件：

>>> html = '<div class="wikicontent">blah1</div><div class="wikicontent" id="wikicontentid">blah2</div><div id="wikicontentid">blah3</div>' 

我們可以用美麗的湯解析：

>>> soup = bs4.BeautifulSoup(html) 

要找到所有的div：

>>> soup.find_all('div') 
[<div class="wikicontent">blah1</div>, <div class="wikicontent" id="wikicontentid">blah2</div>, <div id="wikicontentid">blah3</div>] 

這是一個bs4.element.ResultSet，其中包含三個bs4.element.Tag，您可以通過[]運算符提取它。

應有盡有匹配給定的ID，使用id關鍵字參數：

>>> soup.find_all(id='wikicontentid') 
[<div class="wikicontent" id="wikicontentid">blah2</div>, <div id="wikicontentid">blah3</div>] 

要匹配類，使用class_關鍵字參數（注意下劃線）：

>>> soup.find_all(class_='wikicontent') 
[<div class="wikicontent">blah1</div>, <div class="wikicontent" id="wikicontentid">blah2</div>] 

你可以將這些選擇器組合在一個調用中：

>>> soup.find_all('div', class_='wikicontent', id='wikicontentid') 
[<div class="wikicontent" id="wikicontentid">blah2</div>] 

如果你知道只有一個匹配或者如果你只在第一場比賽感興趣，使用soup.find：正如前面

>>> soup.find(class_='wikicontent', id='wikicontentid') 
<div class="wikicontent" id="wikicontentid">blah2</div> 

，這不是一個字符串，

>>> type(soup.find('div', class_='wikicontent', id='wikicontentid')) 
<class 'bs4.element.Tag'> 

，但你可以打開它變成一個：

>>> str(soup.find('div', class_='wikicontent', id='wikicontentid')) 
'<div class="wikicontent" id="wikicontentid">blah2</div>' 

Answer 3

下載網頁源使用，解析HTML/CSS標籤使用http://lxml.de/。

import requests 
import lxml.html 

dom = lxml.html.fromstring(requests.get('http://theurlyourscraping.com').content) 
wikicontent = [x for x in dom.xpath('//div[@class="wikicontent"]/text()')] 
print wikicontent