Python 不使用正则表达式提取 HTML 标签属性

Question

有没有办法用 urlib、urllib2 或 BeautifulSoup 来提取 HTML 标签的属性呢？

比如说：

<a href="xyz" title="xyz">xyz</a>

获取 href=xyz, title=xyz

还有另一个讨论提到使用 正则表达式 来提取标签属性。

谢谢！

Answer 1

你为什么不试试HTMLParser模块呢？

可以像这样做：

import HTMLParser
import urllib

class parseTitle(HTMLParser.HTMLParser):

    def handle_starttag(self, tag, attrs):
        if tag == 'a':
            for names, values in attrs:
                if name == 'href':
                    print value # or the code you need.
                if name == 'title':
                    print value # or the code you need.



aparser = parseTitle()
u = urllib.open('http://stackoverflow.com') # change the address as you like
aparser.feed(u.read())

Answer 2

你可以使用BeautifulSoup这个工具来解析HTML网页。对于每一个标签，你可以用来读取它的属性。

In [111]: soup = BeautifulSoup.BeautifulSoup('<a href="xyz" title="xyz">xyz</a>')

In [112]: [tag.attrs for tag in soup.findAll('a')]
Out[112]: [[(u'href', u'xyz'), (u'title', u'xyz')]]