Python：将HTML片段分离为段落

Question

我有一段包含段落的HTML代码。（我指的是 p 标签。）我想把这个字符串分成不同的段落。比如说：

'''
<p class="my_class">Hello!</p>
<p>What's up?</p>
<p style="whatever: whatever;">Goodbye!</p>
'''

应该变成：

['<p class="my_class">Hello!</p>',
 '<p>What's up?</p>'
 '<p style="whatever: whatever;">Goodbye!</p>']

有什么好的方法来处理这个问题吗？

Answer 1

xml.etree（标准库）或者lxml.etree（增强版）让这个事情变得很简单，不过我记不清具体的写法，所以可能得不到答案的认可。我总是把它和类似的库搞混，每次都得重新查一下。

Answer 2

使用 lxml.html 来解析HTML，让它变成你想要的样子。这其实和那些推荐使用BeautifulSoup的人给出的建议差不多，只不过 lxml 还在积极更新，而BeautifulSoup的更新速度已经慢下来了。

Answer 3

如果你的字符串只是包含一些段落，你可以用一个精心设计的正则表达式和 re.split() 来处理。不过，如果你的字符串是更复杂的HTML，或者不是总是有效的HTML，那你可能需要看看 BeautifulSoup 这个工具。

使用方法如下：

from BeautifulSoup import BeautifulSoup 

soup = BeautifulSoup(some_html)

paragraphs = list(unicode(x) for x in soup.findAll('p'))