如何根据 <p> <div> 或 <br> 标签的存在来拆分 html 页面答案

【问题标题】：how to split a html page based on the presence of <p> <div> or <br> tags如何根据 <p> <div> 或 <br> 标签的存在来拆分 html 页面
【发布时间】：2013-07-30 10:12:04
【问题描述】：

我正在尝试根据位置将抓取的网页分成不同的部分 <p> <br> 或 <div> 标签。所以第一个<p> 标签将包含从<html> 到有问题的<p> 标签的所有数据/标签。我看过 lxml 项目中的 etree 之类的东西，但它看起来很相切。

我从“正常” html 解析中看到的区别是选择的标签数量。我想选择多个标签及其数据并单独保存它们，而“普通” html 解析工具提供仅选择一个隔离标签/标签（使用 xpath 等）并使用它的能力。（我对网络编程也很陌生）。

我已经想到了一种方法，我可以保存文件偏移量，然后继续对输入文件进行剪切和切片以实现我的目标，但它充其量似乎是 hackish。

我该如何实现我的既定目标，请帮助。

谢谢。

【问题讨论】：

beautifulsoup 会是一个很好的使用工具
您好，感谢您的回答，但我应该在美丽的汤中使用什么。您能否更具体地说明如何将部分 html 树保存到单独的文件中

标签： python html-parsing beautifulsoup lxml

【解决方案1】：

使用BeautifulSoup。它是一个很棒的用于解析 HTML 的 Python 工具。

下面的例子展示了解析 HTML 是多么容易 - 它打印标签名称 (p) 和所有 <p> 标签的内容。然后它会找到 id 为“header”的元素。

这只是一个 sn-p - BeautifulSoup 提供了许多过滤 HTML 文档的方法。

import sys
# add path to beautifulsoup library
sys.path.append('/usr/local/var/beautifulsoup')
# import it
from bs4 import BeautifulSoup

soup = BeautifulSoup(open("yourfile.html"))
for tag in soup.find_all('p'):
    print tag.name, tag.text

soup.find(id="header")

【讨论】：