在python中获取xml或html文件标签之间数据的简单方法？答案

【问题标题】：Easy way to get data between tags of xml or html files in python?在python中获取xml或html文件标签之间数据的简单方法？
【发布时间】：2010-01-19 23:07:57
【问题描述】：

我正在使用 Python，需要查找和检索标签之间的所有字符数据：

<tag>I need this stuff</tag>

然后我想将找到的数据输出到另一个文件。我只是在寻找一种非常简单有效的方法来做到这一点。

如果您可以发布一个快速代码 sn-p 来描绘易用性。因为我在理解解析器时遇到了一些麻烦。

【问题讨论】：

标签： python html xml

【解决方案1】：

没有外部模块，例如

>>> myhtml = """ <tag>I need this stuff</tag>
... blah blah
... <tag>I need this stuff too
... </tag>
... blah blah """
>>> for item in myhtml.split("</tag>"):
...   if "<tag>" in item:
...       print item [ item.find("<tag>")+len("<tag>") : ]
...
I need this stuff
I need this stuff too

【讨论】：

所谓的“最佳”方法是主观的。取决于要解决的问题。如果任务简单，那就用简单的方法

【解决方案2】：

这就是我的做法：

    (myhtml.split('<tag>')[1]).split('</tag>')[0]

告诉我它是否有效！

【讨论】：

【解决方案3】：

我非常喜欢解析成element tree，然后使用element.text 和element.tail。

它还有xpath之类的搜索

>>> from xml.etree.ElementTree import ElementTree
>>> tree = ElementTree()
>>> tree.parse("index.xhtml")
<Element html at b7d3f1ec>
>>> p = tree.find("body/p")     # Finds first occurrence of tag p in body
>>> p
<Element p at 8416e0c>
>>> p.text
"Some text in the Paragraph"
>>> links = p.getiterator("a")  # Returns list of all links
>>> links
[<Element a at b7d4f9ec>, <Element a at b7d4fb0c>]
>>> for i in links:             # Iterates through all found links
...     i.attrib["target"] = "blank"
>>> tree.write("output.xhtml")

【讨论】：

【解决方案4】：

Beautiful Soup 是一个很棒的 Python 的 HTML/XML 解析器：

Beautiful Soup 是 Python HTML/XML 专为快速周转而设计的解析器像屏幕抓取这样的项目。三功能使其功能强大：

Beautiful Soup 不会因为你的错误标记而窒息。它产生一个解析树大约为与您的原始文件一样有意义。这通常足以收集你需要的数据然后逃跑。

Beautiful Soup 提供了一些简单的方法和 Pythonic 成语导航、搜索和修改解析树：用于剖析记录并提取您需要的内容。您不必创建自定义每个应用程序的解析器。

Beautiful Soup 自动将传入的文档转换为 Unicode 并将传出文档转换为 UTF-8。你不必考虑编码，除非文件没有指定编码和美丽的汤不能自动检测一个。然后你只需要指定原始编码。

【讨论】：

【解决方案5】：

使用xpath和lxml；

from lxml import etree

pageInMemory = open("pageToParse.html", "r")

parsedPage = etree.HTML(pageInMemory)

yourListOfText = parsedPage.xpath("//tag//text()")

saveFile = open("savedFile", "w")
saveFile.writelines(yourListOfText)

pageInMemory.close()
saveFile.close()

比美丽的汤更快。

如果你想测试你的 Xpath - 我找到 FireFox's Xpather extremely helpful。

补充说明：

【讨论】：

我想删除标签中的文本的、、或标签。那么如何实现它。例如
Abstract-作为一种很有前途的处理各种无线信道性能衰落的方法，MIMO技术在支持可靠，高数据速率传输。而无线系统必须应对时空相关性和快速 Rician 衰落。
提前致谢

【解决方案6】：

def value_tag(s):
    i = s.index('>')
    s = s[i+1:]
    i = s.index('<')
    s = s[:i]
    return s

【讨论】：