Python字符串范围（解析HTML）

Question

在Python中，我复制了一网页，想要找出所有出现的 <a href=。

我正在使用urllib2，下面是我的设置：

import urllib2
response = urllib2.urlopen("http://python.org")
html = response.read()

要完成这个任务，最好的方法是什么呢？我该如何从一个存储了整个网页的变量中选择一段字符串文本呢？

Answer 1

听起来你需要一个HTML解析器。可以看看Beautiful Soup这个工具。我不建议使用正则表达式，因为那样会变得非常复杂，而且容易出错。

Answer 2

这个任务肯定需要用到Beautiful Soup这个工具：

>>> from BeautifulSoup import BeautifulSoup
>>> import urllib2
>>> page = urllib2.urlopen('http://stackoverflow.com/')
>>> soup = BeautifulSoup(page)
>>> links = soup.html.body.findAll('a', limit=10)
>>> for i, link in enumerate(links):
...     print i, ':', link.text, ' -- ', link['href'] 
... 
0 : Stack Exchange  --  http://stackexchange.com
1 : log in  --  /users/login
2 : blog  --  http://blog.stackoverflow.com
3 : careers  --  http://careers.stackoverflow.com
4 : chat  --  http://chat.stackoverflow.com
5 : meta  --  http://meta.stackoverflow.com
6 : about  --  /about
7 : faq  --  /faq
8 : Stack Overflow  --  /
9 : Questions  --  /questions

首页上有很多链接；我把输出限制在前十个！

Answer 3

在Python中解析HTML时，我比较喜欢用BeautifulSoup这个工具。这是因为如果你想找网页中的链接，而不仅仅是简单地查找