Python HTML filtern

hendr1k1 · 10. Februar 2010

Ich habe eine html datei und ich möchte nun möglichst die sichtbaren Inhalte herausfiltern.

Ich weiss, dass es schwierig ist, für den Anfang wäre es hilfreich, wenn ich weiss, wie ich den Text zwischen <body>blach</body> bekommen kann.

Wie kann man das Lösen?

CoolHandLuke · 10. Februar 2010

naja, in Python weiß ich es jetzt nicht auswendig. Aber als Hinweis: per regulärer Ausdrücke einfach alle Tags entfernen. Vielleicht ist das das, was du suchst.

Geht mit dem "re" Paket (import re). Und dann mal nach "sub" schauen.

Ergänzung (10. Februar 2010)

PHP:

Python 2.6.4 (r264:75706, Dec  7 2009, 18:45:15)
[GCC 4.4.1] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import re
>>> p = re.compile('<[\/\!]*?[^<>]*?>')
>>> p.sub('leer', '<body>test</body><b>test2</b>')
'leertestleerleertest2leer'
>>> p.sub('', '<body>test</body><b>test2</b>')
'testtest2'

Einfach mal testen, ob es auch richtig funktioniert

hendr1k1 · 11. Februar 2010

Ja das kenne ich auch, ist aber eine schlechte Lösung

CoolHandLuke · 11. Februar 2010

na dann...

SiWi · 11. Februar 2010

Eine erste Möglichkeit wäre das Standardmodul HTMLParser. Einfach mal in der Dokumentation ansehen.
Wenns noch ein bisschen komplexer sein sollte, kann ich dir Beatiful Soup empfehlen.

Bong Smoka · 11. Februar 2010

einem Helfer mit "kenn ich auch, schlechte Lösung" abzufertigen ist auch nicht die feine Art ...
Wie wärs denn wenn du uns mal sagst was du schon probiert hast und was nicht ???
Und vor ALLEM welche VORSTELLUNGEN du so hast ??

hendr1k1 · 12. Februar 2010

Ich wollte CoolHandLuke nicht schlecht oder so darstellen. Ich war zuerst auch auf diese Idee gekommen, doch es gibt eindeutig bessere Lösungen.

Habe mir mal Beautiful Soup angeschaut, sowas habe ich mir vorgestellt.

Was ich probiert habe:

Ich habe mich dem HTMLParser auseinander gesetzt, jedoch konnte ich da nicht den Lesbaren Text herausfiltern. Ich konnte nur die Attribute auslesen, wie beim tag "<a", den Wert vom href.

Suche

Python HTML filtern

hendr1k1

Ensign

CoolHandLuke

Lt. Commander

hendr1k1

Ensign

CoolHandLuke

Lt. Commander

SiWi

Ensign

Bong Smoka

Lt. Junior Grade

hendr1k1

Ensign

Ähnliche Themen