SaxにはHTMLParserを、xmlにはxml.minidomを見つけました。私はかなり整形式のhtmlを持っているので、あまり強力なパーサーは必要ありません-提案はありますか?
BeautifulSoup をご覧ください。人気があり、HTMLの解析に優れています。
lxml をお勧めします。私はBeautifulSoupが好きですが、一般にメンテナンスの問題と、それ以降のリリースとの互換性の問題があります。 lxmlを使用して満足しています。
後で:最良の推奨事項は、lxml、html5lib、またはBeautifulSoup 3.0.8を使用することです。 BeautifulSoup 3.1.xはpython 3.xを対象としており、以前のpythonバージョン、 BeautifulSoupウェブサイトに記載されているように、 。
Ian Bickingには、lxmlの使用に関する good article があります。
ElementTreeはさらに推奨されますが、私は使用したことがありません。
2012-01-18:誰かが来て、python簡単に入手できるがpythonの一部ではないパッケージしたがって、非常にリテラルなStackOverflowersの場合:「xml.dom.minidomを使用できますが、他の方法よりもこれを推奨する人はいません。」
BeautifulSoupとlxmlは素晴らしいですが、質問はビルトインに関するものなので、ここでは適切な答えではありません。組み込みの minidom モジュールを使用してHTML文字列を解析する例を次に示します。 cPython 3.5.2でテスト済み:
from xml.dom.minidom import parseString
html_string = """
<!DOCTYPE html>
<html><head><title>title</title></head><body><p>test</p></body></html>
"""
# extract the text value of the document's <p> tag:
doc = parseString(html_string)
paragraph = doc.getElementsByTagName("p")[0]
content = paragraph.firstChild.data
print(content)
ただし、Jesse Hoganの comment に示されているように、これはmindomによって認識されないHTMLエンティティでは失敗します。 Python3 html.parserモジュールを使用した更新されたソリューションは次のとおりです。
from html.parser import HTMLParser
html_string = """
<!DOCTYPE html>
<html><head><title>title</title></head><body><p> test</p><div>not in p</div></body></html>
"""
class Parser(HTMLParser):
def __init__(self):
HTMLParser.__init__(self)
self.in_p = []
def handle_starttag(self, tag, attrs):
if (tag == 'p'):
self.in_p.append(tag)
def handle_endtag(self, tag):
if (tag == 'p'):
self.in_p.pop()
def handle_data(self, data):
if self.in_p:
print("<p> data :", data)
parser = Parser()
parser.feed(html_string)
DOMオブジェクトを処理するには、Pythonで [〜#〜] htmldom [〜#〜] を使用できます。