如何使用Python获取这个span标签内的内容？

Question

我正在尝试从谷歌翻译中抓取信息，作为一个学习练习，但我不知道怎么找到这个标签里的内容。

<span title="Hello" onmouseover="this.style.backgroundColor='#ebeff9'"                                  
      onmouseout="this.style.backgroundColor='#fff'">
    Hallo
</span>

我该如何用Python来获取这些内容呢？因为这个标签的'title'参数是动态的，我想我可以把它作为切入点？

比如说我想翻译： 嗨，欢迎来到我的家。你想来杯茶还是吃点饼干？

结果会生成以下的html输出：

<span title="Hi, welcome to my house." 
onmouseover="this.style.backgroundColor='#ebeff9'" 
onmouseout="this.style.backgroundColor='#fff'">
    Hallo, mein Haus begrüßen zu dürfen. 
</span>

Answer 1

Python自带了一些用于解析XML和HTML的工具。

• 元素树解析器
  • 这是解析XML文件时最符合Python风格的方法。
  • xml.etree.ElementTree
• DOM XML解析器
  • xml.dom
  • xml.dom.minidom
• SAX XML解析器
  • xml.sax
• Expat XML解析器
  • xml.parsers.expat
• 简单的HTML和XHTML解析器
  • HTMLParser
• 第三方解析器
  • 如果你觉得Python自带的解析器不合适。
  • lxml
  • BeautifulSoup

我建议你先看看Python自带的解析器，如果觉得这些模块不够好，再去找第三方的解析器。

Answer 2

# -*- coding: utf-8 -*-
def gettext(html):
    for sp in myhtml.split("</span>"):
       if "<span" in sp:
          return sp.rsplit(">")[-1].strip()

myhtml="""
<span title="Hello" onmouseover="this.style.backgroundColor='#ebeff9'"
      onmouseout="this.style.backgroundColor='#fff'">
    Hallo
</span>
"""

print gettext(myhtml)

myhtml="""
<span title="Hi, welcome to my house."
onmouseover="this.style.backgroundColor='#ebeff9'"
onmouseout="this.style.backgroundColor='#fff'">
    Hallo, mein Haus begrüßen zu dürfen.
</span>
"""

print gettext(myhtml)

输出

$ python mytranslate.py
Hallo
Hallo, mein Haus begrüßen zu dürfen.

Answer 3

可以去看看 BeautifulSoup 这个工具。