ZERLEGUNG von HTML -, link-text und Ziel -

Gegeben, einen HTML-link wie

<a href="urltxt" class="someclass" close="true">texttxt</a>

wie kann ich isolieren Sie die url und den text?

Updates

Ich bin mit der Schönen Suppe, und bin nicht in der Lage, herauszufinden, wie zu tun.

Habe ich

soup = BeautifulSoup.BeautifulSoup(urllib.urlopen(url))

links = soup.findAll('a')

for link in links:
    print "link content:", link.content," and attr:",link.attrs

bekomme ich

*link content: None  and attr: [(u'href', u'_redirectGeneric.asp?genericURL=/root    /support.asp')]*  ...
...

Warum bin ich fehlt der Inhalt?

edit: erarbeitet auf 'hängen', wie empfohlen 🙂

Sind die Chancen es gibt ein problem mit das urllib.urlopen(url). Drucken Sie, und sehen, was Sie erhalten. Es sollte die direkt HTML-Code der web-Seite.
Auch "stuck!" ist nicht sehr aussagekräftig. Zeig mehr code, und was genau falsch läuft.
Danke für die zusätzliche info, das machte es viel einfacher zu sehen, was passiert.

InformationsquelleAutor sundeep | 2008-11-13

  1. 8

    Verwenden Schöne Suppe. Es selbst tun, ist schwieriger als es aussieht, Sie werden besser mit einer erprobten und getesteten module.

    EDIT:

    Ich denke, Sie wollen:

    soup = BeautifulSoup.BeautifulSoup(urllib.urlopen(url).read())

    Durch die Art und Weise, dass es eine schlechte Idee, zu versuchen, öffnen der URL gibt, als wenn es schief geht, könnte es hässlich werden.

    EDIT 2:

    Diese anzeigen sollten Sie alle links auf einer Seite:

    import urlparse, urllib
from BeautifulSoup import BeautifulSoup

url = "http://www.example.com/index.html"
source = urllib.urlopen(url).read()

soup = BeautifulSoup(source)

for item in soup.fetchall('a'):
    try:
        link =  urlparse.urlparse(item['href'].lower())
    except:
        # Not a valid link
        pass
    else:
        print link
    Ich bin damit einverstanden, Beatiful Soup ist wahrscheinlich der bessere Weg, dies zu behandeln.
    wäre es besser, öffnen Sie die url woanders, und überprüfen Sie für Fehler es sich?
    Ja, und haben ein try...except um es nur im Fall, dass es fehlschlägt.
    auch nicht,was die u'text " gemeint ? vielen Dank für die Hilfe.
    Die 'u' vor dem string bedeutet, es ist in Unicode. Siehe wikipedia was das bedeutet. Es sollte keinen Einfluss auf Sie zu viel.

    InformationsquelleAutor Harley Holcombe

  2. 6

    Hier ein code-Beispiel, zeigt immer die Attribute und der Inhalt des links:

    soup = BeautifulSoup.BeautifulSoup(urllib.urlopen(url))
for link in soup.findAll('a'):
    print link.attrs, link.contents

    InformationsquelleAutor Jerub

  3. 4

    Sieht aus wie Sie zwei Probleme gibt:

    1. link.Inhalts, nicht link.Inhalt
    2. attrs ist ein Wörterbuch, kein string. Es enthält Schlüssel-Wert-Paare für jedes Attribut in einem HTML-element. link.attrs['href'] erhalten Sie, was Sie zu sein scheinen, suchen, aber Sie wollen würde, um zu wickeln, dass Sie in einer check-in-case Sie verfügen über ein a-tag ohne href-Attribut.
    ja , es war der Inhalt vons ein Problem .. ich bin ein Blödmann. danke !

    InformationsquelleAutor Tom

  4. 3

    Obwohl ich vermute, dass der andere könnte richtige, zeigen Sie mit Schönen Suppe, Sie könnte nicht, und mithilfe einer externen Bibliothek sein könnte massively over-the-top für Ihre Zwecke. Hier ist eine regex, die tun, was Sie Fragen.

    /<a\s+[^>]*?href="([^"]*)".*?>(.*?)<\/a>/

    Hier ist, was passt:

    '<a href="url" close="true">text</a>'
// Parts: "url", "text"

'<a href="url" close="true">text<span>something</span></a>'
// Parts: "url", "text<span>something</span>"

    Wollte man nur den text (z.B.: "textsomething" im zweiten Beispiel oben), würde ich einfach laufen, eine andere regex drüber zu Streifen alles, was zwischen Spitzen Klammern.

    Mit diesem Ansatz müssen Sie aufpassen, für die Zeilenumbrüche im Quellcode. Stellen Sie sicher, dass Sie das Kennzeichen re.DOTALL wenn Sie kompilieren Ihre Muster.

    InformationsquelleAutor nickf

Schreibe einen Kommentar