蟒蛇提取HTML標籤屬性沒有正則表達式

Question

有什麼辦法使用urlib,urllib2或BeautifulSoup提取HTML標籤屬性？

例如：

<a href="xyz" title="xyz">xyz</a> 

得到href=xyz, title=xyz

還有另外一個線程談論使用regular expressions

感謝

Answer 1

你可以使用BeautifulSoup解析HTML，併爲每個<a>標記，請使用tag.attrs來讀取屬性：

In [111]: soup = BeautifulSoup.BeautifulSoup('<a href="xyz" title="xyz">xyz</a>') 

In [112]: [tag.attrs for tag in soup.findAll('a')] 
Out[112]: [[(u'href', u'xyz'), (u'title', u'xyz')]] 

Answer 2

爲什麼不嘗試使用HTMLParser模塊？

事情是這樣的：

import HTMLParser 
import urllib 

class parseTitle(HTMLParser.HTMLParser): 

    def handle_starttag(self, tag, attrs): 
     if tag == 'a': 
      for names, values in attrs: 
       if name == 'href': 
        print value # or the code you need. 
       if name == 'title': 
        print value # or the code you need. 



aparser = parseTitle() 
u = urllib.open('http://stackoverflow.com') # change the address as you like 
aparser.feed(u.read())