提取HTML表单字段名 - Python
假设有一个链接 "http://www.someHTMLPageWithTwoForms.com"，这个链接指向一个HTML页面，里面有两个表单（比如表单1和表单2）。我有一段代码是这样的...
import httplib2
from BeautifulSoup import BeautifulSoup, SoupStrainer
h = httplib2.Http('.cache')
response, content = h.request('http://www.someHTMLPageWithTwoForms.com')
for field in BeautifulSoup(content, parseOnlyThese=SoupStrainer('input')):
if field.has_key('name'):
print field['name']
这段代码会返回我HTML页面中表单1和表单2的所有字段名称。有没有办法只获取某一个特定表单的字段名称（比如只获取表单2的字段名称）呢？
4 个回答
1
如果你有属性的名字和对应的值，你就可以进行搜索。
from BeautifulSoup import BeautifulStoneSoup
xml = '<person name="Bob"><parent rel="mother" name="Alice">'
xmlSoup = BeautifulStoneSoup(xml)
xmlSoup.findAll(name="Alice")
# []
5
如果只有两个表单，你可以试试这个：
from BeautifulSoup import BeautifulSoup
forms = BeautifulSoup(content).findAll('form')
for field in forms[1]:
if field.has_key('name'):
print field['name']
如果不只是关于第二个表单，你可以通过添加一个ID或者类属性来让它更具体一些。
from BeautifulSoup import BeautifulSoup
forms = BeautifulSoup(content).findAll(attrs={'id' : 'yourFormId'})
for field in forms[0]:
if field.has_key('name'):
print field['name']
1
用 lxml 来处理这种解析其实也很简单。我个人比较喜欢 lxml，因为它支持 Xpath，这让操作更方便。比如，下面这段代码可以打印出所有属于名为 "form2" 的表单的字段名称（如果它们有的话）：
# you can ignore this part, it's only here for the demo
from StringIO import StringIO
HTML = StringIO("""
<html>
<body>
<form name="form1" action="/foo">
<input name="uselessInput" type="text" />
</form>
<form name="form2" action="/bar">
<input name="firstInput" type="text" />
<input name="secondInput" type="text" />
</form>
</body>
</html>
""")
# here goes the useful code
import lxml.html
tree = lxml.html.parse(HTML) # you can pass parse() a file-like object or an URL
root = tree.getroot()
for form in root.xpath('//form[@name="form2"]'):
for field in form.getchildren():
if 'name' in field.keys():
print field.get('name')