Python：将 HTML 片段分隔为段落

Posted 2023-02-23

【中文标题】Python：将 HTML 片段分隔为段落

【英文标题】：Python: Separating an HTML snippets to paragraphs

【发布时间】：2011-01-17 14:56:50

【问题描述】：

我有一个包含段落的 html 的 sn-p。 （我的意思是p 标签。）我想将字符串分成不同的段落。例如：

'''
<p class="my_class">Hello!</p>
<p>What's up?</p>
<p style="whatever: whatever;">Goodbye!</p>
'''

应该变成：

['<p class="my_class">Hello!</p>',
 '<p>What's up?</p>'
 '<p style="whatever: whatever;">Goodbye!</p>']

解决这个问题的好方法是什么？

【问题讨论】：

非常接近（如果您愿意，甚至可以相同）在此处复制：***.com/questions/972749/… 快速回答：使用 beautifulsoup

【参考方案1】：

如果您的字符串仅包含段落，您可以使用精心制作的正则表达式和re.split() 来摆脱困境。但是，如果您的字符串是更复杂的 HTML，或者并非总是有效的 HTML，您可能需要查看 BeautifulSoup 包。

用法如下：

from BeautifulSoup import BeautifulSoup 

soup = BeautifulSoup(some_html)

paragraphs = list(unicode(x) for x in soup.findAll('p'))

【讨论】：

正则表达式是错误的工具。 HTML 不是常规语言，因此正则表达式天生无法解析 HTML。使用 HTML 解析器，就像您在帖子的后半部分中展示的那样，更加健壮、更容易和可读。

【参考方案2】：

使用lxml.html 将HTML 解析为您想要的形式。这与推荐 BeautifulSoup 的人的建议基本相同，只是 lxml 仍在积极开发中，而 BeatifulSoup 的开发已经放缓。

【参考方案3】：

使用 BeautifulSoup 解析 HTML 并遍历段落。

【讨论】：

BeautifulSoup 也可以，但仅在 html 可能丑陋/无效时才需要。 stdlib etree 也可以做到这一点。我更喜欢 lxml 因为它更强大。曾经有人谈论将 BeautifulSoup 加入其中。我不知道它去了哪里。

xml.etree 可以解析XML，问题中的代码不是。

我相信我已经用它来解析 html。也许我记错了。但这似乎证实了我的记忆：effbot.org/zone/element-index.htm#usage

或者问题是我们这里只有一个 sn-p...？

【参考方案4】：

xml.etree (std lib) 或 lxml.etree (enhanced) 使这很容易做到，但我不会得到答案，因为我不记得确切的语法。我一直把它和类似的包混在一起，每次都要重新查找。