使用Python解析和編輯HTML文件

Question

問題如下： 從對象數據庫轉儲了一些基本的HTML自動生成文件。這是基於表格的信息。文件的結構對於每一代都是一樣的，通常是一致的內容。 我必須進一步處理這個文件，做一些評論等，因此我希望編輯一下這個HTML文件，讓我們說添加額外的表格單元格與可寫文本字段添加文件中的備註，也許最後一個按鈕來生成一些額外的輸出。現在的問題：

我選擇編寫Python腳本來處理文件中的這種變化。這是一個正確的選擇，還是你可以提出更好的建議？

現在我處理的是如下：

1）製作的基本文件workcopy

2）打開workcopy如在Python I/O的字符串：

content = content_file.read() 

3 ）通過html.parser對象運行：

ModifyHtmlParser.feed(content) 

4）使用HTM的重載基類方法大號解析器我在尋找的標籤有趣的部分：

def handle_starttag(self, tag, attrs): 
    #print("Encountered a start tag:", tag) 
    if tag == "tr": 
     print("Table row start!") 
     offset = self.getpos() 
     tagText = self.get_starttag_text() 

結果我越來越投入，標誌標籤的不可變的子集，現在我感覺像我在死衚衕也得走。 ..關於如何重新工作我的想法的任何想法？這種特殊的library可能有用嗎？

Answer 1

我建議你使用下面的一般方法。

1. 使用這些任務的任何現有庫加載和解析HTML到便捷的內存樹中。
2. 查找樹中的相關節點。 （第1部分的大多數庫都會提供某種形式的XPath和/或CSS選擇器，它們都可以讓你找到所有滿足特定規則的節點，在你的情況下，規則可能是「tr哪個......」。）
3. 單獨處理找到的節點（第1部分中的大多數庫都會讓您就地編輯樹）。
4. 寫出修改後的樹或新生成的樹。

下面是如何實現上述的一個特定示例。 （庫的確切選擇有些靈活，這裏有多種選擇。）

1. HTML解析和表示庫有多種選擇。我最近聽到的最常見的建議是LXML。
2. LXML提供了CSS selector support和XPath support。
3. 請參閱LXML etree documentation。