Скажем, у меня есть текстовый файл, как это:Как получить html-теги?
<html><head>Headline<html><head>more words
</script>even more words</script>
<html><head>Headline<html><head>more words
</script>even more words</script>
Как бы я получить только теги в список, как это:
<html>
<head>
<html>
<head>
</script>
</script>
<html>
<head>
<html>
<head>
</script>
</script>
Я думаю, что это то, что вы хотите:
html_string = ''.join(input_file.readlines())
matches = re.findall('<.*?>', html_string)
for m in matches:
print m
Надеюсь, что это поможет
Я думаю, что вы имеете в виду: re.findall ('<.*?>', html_string) –
@JackNull: Вы абсолютно правы. Дополнительные двойные кавычки являются опечатками и были ретроактивно фиксированными – inspectorG4dget
Python имеет модуль HTMLParser для это.
Вот код, который делает то, что вы хотите:
from HTMLParser import HTMLParser
class MyHTMLParser(HTMLParser):
def handle_starttag(self, tag, attrs):
print "<%s>"%tag
def handle_endtag(self, tag):
print "</%s>"%tag
parser = MyHTMLParser();
parser.feed("""<html><head>Headline<html><head>more words
</script>even more words</script>
<html><head>Headline<html><head>more words
</script>even more words</script>
""")
Введите вашу строку в parser.feed
Выход:
$ python htmlparser.py
<html>
<head>
<html>
<head>
</script>
</script>
<html>
<head>
<html>
<head>
</script>
</script>
Это обсуждение SO должно помочь: Using HTMLParser in Python efficiently
Является ли это продолжением [вашего другого вопроса] (http: // stackoverfl ow.com/questions/4435882/how-to-get-html-tags-from-url)? Если это так, вы должны действительно отредактировать свой другой вопрос, а не повторять сообщение – inspectorG4dget