分割HTML文档-Python

Question

根据
标记的出现拆分HTML文档/字符串的最佳方法是什么？我已经给出了我目前在下面的解决方案，但它似乎相当麻烦，并不是所有的容易阅读我认为。我也尝试过regex，但有人告诉我不应该使用regex来解析HTML

for i, br in enumerate(soup.findAll('b')):
line_value = ''
line_values = []
next = br.next
while (next):
    if next and isinstance(next, Tag) and next.name == 'br':
        line_values.append(line_value)
        line_value = ''
    else:
        stripped_text = ''.join(BeautifulSoup(str(next).strip()).findAll(text=True))
        if stripped_text:
            line_value += stripped_text
    next = next.nextSibling
print line_values

下面是我正在解析的HTML示例：

^{pr2}$

以及我代码的当前结果：

[u'09:00 - 11:00', u'CE4817 - LAB- 2A', u'B2043 B2042']
[u'11:00 - 12:00', u'CE4607 - TUT- 3A', u'A1054']

Answer 1

用正则表达式拆分

import re
p = re.compile(r'<br>')
filter(None, p.split(yourString))

然后可以从数组中每个返回的字符串中删除其他html标记。在

您可以使用现有函数，如Strip html from strings in python 或者检查我对问题Stripping HTML tags without using HtmlAgilityPack的回答。在

同时检查这个答案：RegEx match open tags except XHTML self-contained tags

您应该使用html解析器来完成您的任务

Answer 2

试试这个：

正则表达式

<p><font size="1" color="#800000"><b>(\d{2}:\d{2}).*?(\d{2}:\d{2}).*?(\w{2}\d{4}).*?<font> - </font>(\w+)\s*<font>- </font>\s*(\d\w)\s*<br>\s*(\w\d{4}\s*\w\d{4})\s*<br>[\s\S]*?</p>

模式

m - multiline

只要html代码的结构不变，这就可以工作。在