python从html标签中提取数据[重复]答案

【问题标题】：python extract data from html tags [duplicate]python从html标签中提取数据[重复]
【发布时间】：2018-05-07 00:14:24
【问题描述】：

我想在Python中提取html标签内的（段落）

 &lt;p style=&quot;text-align: justify;&quot;&gt;&lt;span style=&quot;font-size: small; font-family: lato, arial, helvetica, sans-serif;&quot;&gt;

 Irrespective of the kind of small business you own, using traditional sales and marketing tactics can prove to be expensive.

 &lt;/span&gt;&lt;/p&gt;

我的代码是

 from HTMLParser import HTMLParser
 from bs4 import BeautifulSoup

x = """&lt;p style=&quot;text-align: justify;&quot;&gt;&lt;span style=&  quot;font-size: small; font-family: lato, arial, helvetica, sans-serif;&quot;&gt; Irrespective of the kind of small business you own, using traditional sales and marketing tactics can prove to be expensive. &lt;/span&gt;&lt;/p&gt;"""

p1 = HTMLParser()
p1.unescape(x)
bdy_soup = BeautifulSoup(p1.unescape(x)).get_text(separator=";")
print(bdy_soup)

此代码没有返回任何内容，请帮助我这样做，任何帮助将不胜感激

【问题讨论】：

你是从html页面还是文本文件中读取？
@prakash-palnati --- 从 Sql 表中读取
@s.s 你可以使用BeautifulSoup 来提取你的精确数据。先做import html >>> html.unescape(x).
@manoj jadhav 你能解释一下代码吗
@s.s 查看我的帖子。

标签： python html python-3.x

【解决方案1】：

使用html.unescape将html char转换为ascii
使用bs4.BeautifulSoup(html_content).text提取内容

>>> x = """&lt;p style=&quot;text-align: justify;&quot;&gt;&lt;span style=&quot;font-size: small; font-family: lato, arial, helvetica, sans-serif;&quot;&gt; Irrespective of the kind of small business you own, using traditional sales and marketing tactics can prove to be expensive. &lt;/span&gt;&lt;/p&gt;"""

>>> import html
>>> xx = html.unescape(x)
'<p style="text-align: justify;"><span style="font-size: small; font-family: lato, arial, helvetica, sans-serif;">\n\n Irrespective of the kind of small business you own, using traditional sales and marketing tactics can prove to be expensive.\n\n </span></p>'

>>> import bs4
>>> bs4.BeautifulSoup(xx, "html").text
' Irrespective of the kind of small business you own, using traditional sales and marketing tactics can prove to be expensive. '

【讨论】：

这不行你能帮我解释一下代码
我修改了它。 @s.s
我修改了我的问题，请参阅
感谢您的帮助，我发布了我的答案

【解决方案2】：

你可以这样做。请先安装HTMLParser和beautifulsoup4。

from HTMLParser import HTMLParser
p = "&lt;p style=&quot;text-align: justify;&quot;&gt;&lt;span 
 style=&quot;font-size: small; font-family: lato, arial, helvetica, sans-serif;&quot;&gt; Irrespective of the kind of small business you own, using traditional sales and marketing tactics can prove to be expensive. &lt;/span&gt;&lt;/p&gt;"
from bs4 import BeautifulSoup
p1 = HTMLParser()
p1.unescape(p)
bdy_soup = BeautifulSoup(p1.unescape(p)).get_text(separator="\n")
print bdy_soup

【讨论】：

p = { "" 中的文本} 显示错误
@s.s 确切的输入是什么？你可以输入完整的sn-p吗？
正是这个=== 不管你拥有什么样的小企业，使用传统的销售和营销策略可能会很昂贵。
您的代码正在运行但没有返回任何输出...我需要打印什么...？
请添加print bdy_soup。你在bdy_soup得到什么

【解决方案3】：

您可以使用正则表达式来提取两个 HTML 标签之间的数据

r'<title[^>]*>([^<]+)</title>'

【讨论】：

【解决方案4】：

The code worked by installing lxml parser.. thankyou everyone for your help

 import html
 import bs4
 import html.parser
 import lxml
 from bs4 import BeautifulSoup

 x = """&lt;p style=&quot;text-align: justify;&quot;&gt;&lt;span style=&  quot;font-size: small; font-family: lato, arial, helvetica, sans-serif;&quot;&gt; Irrespective of the kind of small business you own, using traditional sales and marketing tactics can prove to be expensive. &lt;/span&gt;&lt;/p&gt;"""

 p1 = html.unescape(x) 
 bdy_soup = bs4.BeautifulSoup(p1, "lxml").get_text(separator="/n")
 print(bdy_soup)

【讨论】：