使用Python搜索特定的HTML字符串

哪些模块最适合编写一个python程序，该程序可以搜索数百个html文档并删除给定的特定html字符串。例如，如果我有一个具有<a href="test.html">Test</a>的html文档，并且我想将它从每个包含它的html页面中删除。使用Python搜索特定的HTML字符串

任何帮助都非常感谢，我不需要有人为我编写程序，只是一个有益的方面正确的方向。

来源

2010-04-04 Gabe

我想'sed'或其他已经实现的东西会更简单。 – Amber 2010-04-04 21:06:52

BeautifulSoup或lxml。

来源

2010-04-04 21:06:20

他只需要字面字符串替换。不需要解析html ... – twneale 2010-04-04 21:32:18

htmllib

该模块定义了一类可以作为基础，用于解析在超文本标记语言（HTML）格式的文本文件。该类不是直接涉及I/O的类 - 它必须通过方法提供字符串形式的输入，并调用对象的“格式化程序” 的方法以产生输出。 HTMLParser类旨在将用作其他类的基类，以便添加功能，并允许扩展其大多数方法或覆盖。反过来，这个类派生自并扩展了模块sgmllib中定义的SGMLParser类。该HTMLParser的实现支持HTML 2.0的语言，如RFC 1866

来源

2010-04-04 21:09:18 newtover

描述如果您正在搜索的字符串将在HTML从字面上看，然后简单的字符串替换将被罚款：

old_html = open(html_file).read() 
new_html = old_html.replace(my_string, "") 
if new_html != old_html: 
    open(html_file, "w").write(new_html)

作为字面上不在字符串中的字符串的例子，假设您正在寻找“测试”，正如您所说。你想要它匹配这些片段的HTML吗？：

<a href='test.html'>Test</a> 
<A HREF='test.html'>Test</A> 
<a href="test.html" class="external">Test</a> 
<a href="test.html">Tes&#116;</a>

等等：“相同”的HTML可以用许多不同的方式表达。如果你知道HTML中使用的精确字符，那么简单的字符串替换就可以了。如果您需要在HTML语义级别进行匹配，那么您需要使用更高级的工具，比如BeautifulSoup，但是，即使在不受删除影响的部分，您也可能具有可能非常不同的HTML输出，因为整个文件将被解析并重新构建。

要在许多文件上执行代码，您会发现os.path.walk可用于在树中查找文件，或glob.glob用于将文件名匹配到类似shell的通配符模式。

来源

2010-04-04 21:09:54

解决了字符串替换问题，但是如何为数百个html页面运行相同的脚本？ – Gabe 2010-04-04 21:17:09

将os.path.walk和glob.glob添加到答案中... – 2010-04-04 21:19:16

使用Python搜索特定的HTML字符串

回答

相关问题