Python：从html文件中获取和解析文本

Question

我正在努力做一个关于页面排名的项目。在

我想做一个索引（字典），它看起来像这样：
file1.html->；[[猫，吃，吃，喝，牛奶]，[file2.html，file3.html]]
file2.html->；[[狗，吠，跑，走]，[file1.html，file4.html]]

获取链接很容易找到锚定标记。在

我的问题是-如何获取文本？html文件中的文本不包含在任何标记中，如<p>

提前谢谢你的帮助

Answer 1

使用HTML解析器-类似于BeautifulSoup。在

Answer 2

如果文本没有包含在标记中，它真的是HTML吗？
正如Amber所说，使用诸如beauthoulsoup这样的HTML解析器，您可以更轻松地完成这项工作。在

下面的示例演示了一个在标记中返回文本的简单方法。
此方法适用于任何标记AFAIK。在

>>> from BeautifulSoup import BeautifulSoup as bs
>>> html = '''
... <div><a href="/link1">link1 contents</a></div>
... <div><a href="/link2">link2 contents</a></div>
... '''
>>> soup = bs(html)
>>> for anchor_tag in soup.findAll('a'):
...   print anchor_tag.contents[0]
... 
link1 contents
link2 contents

除此之外，我可以想象你会想要一个字典，它能计算出某个术语在某个HTML文档中出现的次数。defaultdict对这类事情有好处：

^{pr2}$

希望这能给你一些想法。如果你遇到其他问题，回来再问一个问题。在