分解 HTML 以链接文本和目标

Question

给定一个 HTML 链接，例如

<a href="urltxt" class="someclass" close="true">texttxt</a>

如何隔离 url 和文本？

更新

我正在使用 Beautiful Soup，但我不知道该怎么做。

我做到了

soup = BeautifulSoup.BeautifulSoup(urllib.urlopen(url))

links = soup.findAll('a')

for link in links:
    print "link content:", link.content," and attr:",link.attrs

我明白了

*link content: None  and attr: [(u'href', u'_redirectGeneric.asp?genericURL=/root    /support.asp')]*  ...
...

为什么我错过了内容？

编辑：按照建议详细说明“卡住”:)

Answer 1

使用Beautiful Soup。自己做比看起来更难，最好使用久经考验的模块。

编辑：

我想你想要：

soup = BeautifulSoup.BeautifulSoup(urllib.urlopen(url).read())

顺便说一句，尝试在那里打开 URL 是个坏主意，因为如果它出错可能会变得丑陋。

编辑 2：

这应该会显示页面中的所有链接：

import urlparse, urllib
from BeautifulSoup import BeautifulSoup

url = "http://www.example.com/index.html"
source = urllib.urlopen(url).read()

soup = BeautifulSoup(source)

for item in soup.fetchall('a'):
    try:
        link =  urlparse.urlparse(item['href'].lower())
    except:
        # Not a valid link
        pass
    else:
        print link

Answer 2

这是一个代码示例，展示了获取链接的属性和内容：

soup = BeautifulSoup.BeautifulSoup(urllib.urlopen(url))
for link in soup.findAll('a'):
    print link.attrs, link.contents

Answer 3

看起来你有两个问题：

1. link.contents，而不是 link.content
2. attrs 是字典，而不是字符串。它保存 HTML 元素中每个属性的键值对。 link.attrs['href'] 会得到你想要的东西，但是如果你遇到没有 href 属性的 a 标签，你会想把它包装在一个检查中。

Answer 4

虽然我认为其他人可能正确地指出您使用 Beautiful Soup，但他们可能不正确，并且使用外部库可能非常过分为您的目的。这是一个正则表达式，可以满足您的要求。

/<a\s+[^>]*?href="([^"]*)".*?>(.*?)<\/a>/

这是它的匹配项：

'<a href="url" close="true">text</a>'
// Parts: "url", "text"

'<a href="url" close="true">text<span>something</span></a>'
// Parts: "url", "text<span>something</span>"

如果您想只获得文本（例如：上面第二个示例中的“textsomething”），我只需在其上运行另一个正则表达式以去除尖括号之间的任何内容。