html - 你能提供解析HTML的例子吗？

Question

如何用多种语言和解析库解析 HTML？

回答时：

个别评论将链接到有关如何使用正则表达式解析 HTML 的问题的答案中，以显示正确的做事方式。

为了保持一致性，我要求该示例为hrefin 锚标记解析 HTML 文件。为了便于搜索此问题，我要求您遵循此格式

语言：[语言名称]

图书馆：[图书馆名称]

[example code]

请将图书馆作为图书馆文档的链接。如果您想提供除提取链接以外的示例，还请包括：

目的：[解析的作用]

score 29 · Accepted Answer

语言：JavaScript
库：jQuery

$.each($('a[href]'), function(){
    console.debug(this.href);
});

（使用 firebug console.debug 输出...）

并加载任何 html 页面：

$.get('http://stackoverflow.com/', function(page){
     $(page).find('a[href]').each(function(){
        console.debug(this.href);
    });
});

为这个函数使用了另一个每个函数，我认为链接方法时它更干净。

score 25 · Accepted Answer

语言：C#
库：HtmlAgilityPack

class Program
{
    static void Main(string[] args)
    {
        var web = new HtmlWeb();
        var doc = web.Load("http://www.stackoverflow.com");

        var nodes = doc.DocumentNode.SelectNodes("//a[@href]");

        foreach (var node in nodes)
        {
            Console.WriteLine(node.InnerHtml);
        }
    }
}

score 22 · Accepted Answer

语言：Python
库：BeautifulSoup

from BeautifulSoup import BeautifulSoup

html = "<html><body>"
for link in ("foo", "bar", "baz"):
    html += '<a href="http://%s.com">%s</a>' % (link, link)
html += "</body></html>"

soup = BeautifulSoup(html)
links = soup.findAll('a', href=True) # find <a> with a defined href attribute
print links

输出：

[<a href="http://foo.com">foo</a>,
 <a href="http://bar.com">bar</a>,
 <a href="http://baz.com">baz</a>]

也可以：

for link in links:
    print link['href']

输出：

http://foo.com
http://bar.com
http://baz.com

score 20 · Accepted Answer

语言：Perl
库：pQuery

use strict;
use warnings;
use pQuery;

my $html = join '',
    "<html><body>",
    (map { qq(<a href="http://$_.com">$_</a>) } qw/foo bar baz/),
    "</body></html>";

pQuery( $html )->find( 'a' )->each(
    sub {  
        my $at = $_->getAttribute( 'href' ); 
        print "$at\n" if defined $at;
    }
);

score 15 · Accepted Answer

语言：shell
库：lynx（嗯，它不是库，但在 shell 中，每个程序都是某种库）

lynx -dump -listonly http://news.google.com/

score 14 · Accepted Answer

语言：Ruby
库：Hpricot

#!/usr/bin/ruby

require 'hpricot'

html = '<html><body>'
['foo', 'bar', 'baz'].each {|link| html += "<a href=\"http://#{link}.com\">#{link}</a>" }
html += '</body></html>'

doc = Hpricot(html)
doc.search('//a').each {|elm| puts elm.attributes['href'] }

score 12 · Accepted Answer

语言：Python
库：HTMLParser

#!/usr/bin/python

from HTMLParser import HTMLParser

class FindLinks(HTMLParser):
    def __init__(self):
        HTMLParser.__init__(self)

    def handle_starttag(self, tag, attrs):
        at = dict(attrs)
        if tag == 'a' and 'href' in at:
            print at['href']


find = FindLinks()

html = "<html><body>"
for link in ("foo", "bar", "baz"):
    html += '<a href="http://%s.com">%s</a>' % (link, link)
html += "</body></html>"

find.feed(html)

score 11 · Accepted Answer

语言：Perl
库：HTML::Parser

#!/usr/bin/perl

use strict;
use warnings;

use HTML::Parser;

my $find_links = HTML::Parser->new(
    start_h => [
        sub {
            my ($tag, $attr) = @_;
            if ($tag eq 'a' and exists $attr->{href}) {
                print "$attr->{href}\n";
            }
        }, 
        "tag, attr"
    ]
);

my $html = join '',
    "<html><body>",
    (map { qq(<a href="http://$_.com">$_</a>) } qw/foo bar baz/),
    "</body></html>";

$find_links->parse($html);

score 9 · Accepted Answer

语言 Perl
库：HTML::LinkExtor

Perl 的美妙之处在于您拥有用于非常特定任务的模块。就像链接提取一样。

整个程序：

#!/usr/bin/perl -w
use strict;

use HTML::LinkExtor;
use LWP::Simple;

my $url     = 'http://www.google.com/';
my $content = get( $url );

my $p       = HTML::LinkExtor->new( \&process_link, $url, );
$p->parse( $content );

exit;

sub process_link {
    my ( $tag, %attr ) = @_;

    return unless $tag eq 'a';
    return unless defined $attr{ 'href' };

    print "- $attr{'href'}\n";
    return;
}

解释：

使用严格 - 打开“严格”模式 - 简化潜在的调试，与示例不完全相关
使用 HTML::LinkExtor - 加载有趣的模块
使用 LWP::Simple - 只是获取一些用于测试的 html 的简单方法
my $url = ' http://www.google.com/ ' - 我们将从哪个页面提取 url
我的 $content = get( $url ) - 获取页面 html
我的 $p = HTML::LinkExtor->new( \&process_link, $url ) - 创建 LinkExtor 对象，给它引用将用作每个 url 上的回调的函数，并将 $url 用作相对 url 的 BASEURL
$p->parse( $content ) - 我猜很明显
exit - 程序结束
sub process_link - 函数 process_link 的开始
my ($tag, %attr) - 获取参数，即标签名称及其属性
return unless $tag eq 'a' - 如果标签不是 <a> 则跳过处理
返回，除非定义 $attr{'href'} - 如果 <a> 标签没有 href 属性，则跳过处理
打印 "- $attr{'href'}\n"; - 我猜很明显:)
返回; - 完成功能

就这样。

score 8 · Accepted Answer

语言：Common Lisp
库：Closure Html , Closure Xml、CL-WHO

（使用 DOM API 显示，不使用 XPATH 或 STP API）

(defvar *html*
  (who:with-html-output-to-string (stream)
    (:html
     (:body (loop
               for site in (list "foo" "bar" "baz")
               do (who:htm (:a :href (format nil "http://~A.com/" site))))))))

(defvar *dom*
  (chtml:parse *html* (cxml-dom:make-dom-builder)))

(loop
   for tag across (dom:get-elements-by-tag-name *dom* "a")
   collect (dom:get-attribute tag "href"))
=> 
("http://foo.com/" "http://bar.com/" "http://baz.com/")

score 8 · Accepted Answer

语言：Ruby
库：Nokogiri

#!/usr/bin/env ruby
require 'nokogiri'
require 'open-uri'

document = Nokogiri::HTML(open("http://google.com"))
document.css("html head title").first.content
=> "Google"
document.xpath("//title").first.content
=> "Google"

score 6 · Accepted Answer

语言：Clojure
库： Enlive（一个基于选择器（à la CSS）的 Clojure 模板和转换系统）

选择器表达式：

(def test-select
     (html/select (html/html-resource (java.io.StringReader. test-html)) [:a]))

现在我们可以在 REPL 中执行以下操作（我在中添加了换行符test-select）：

user> test-select
({:tag :a, :attrs {:href "http://foo.com/"}, :content ["foo"]}
 {:tag :a, :attrs {:href "http://bar.com/"}, :content ["bar"]}
 {:tag :a, :attrs {:href "http://baz.com/"}, :content ["baz"]})
user> (map #(get-in % [:attrs :href]) test-select)
("http://foo.com/" "http://bar.com/" "http://baz.com/")

您需要以下内容才能试用：

前言：

(require '[net.cgrand.enlive-html :as html])

测试 HTML：

(def test-html
     (apply str (concat ["<html><body>"]
                        (for [link ["foo" "bar" "baz"]]
                          (str "<a href=\"http://" link ".com/\">" link "</a>"))
                        ["</body></html>"])))

score 5 · Accepted Answer

语言：Java
库：XOM , TagSoup

我在此示例中故意包含了格式错误且不一致的 XML。

import java.io.IOException;

import nu.xom.Builder;
import nu.xom.Document;
import nu.xom.Element;
import nu.xom.Node;
import nu.xom.Nodes;
import nu.xom.ParsingException;
import nu.xom.ValidityException;

import org.ccil.cowan.tagsoup.Parser;
import org.xml.sax.SAXException;

public class HtmlTest {
    public static void main(final String[] args) throws SAXException, ValidityException, ParsingException, IOException {
        final Parser parser = new Parser();
        parser.setFeature(Parser.namespacesFeature, false);
        final Builder builder = new Builder(parser);
        final Document document = builder.build("<html><body><ul><li><a href=\"http://google.com\">google</li><li><a HREF=\"http://reddit.org\" target=\"_blank\">reddit</a></li><li><a name=\"nothing\">nothing</a><li></ul></body></html>", null);
        final Element root = document.getRootElement();
        final Nodes links = root.query("//a[@href]");
        for (int linkNumber = 0; linkNumber < links.size(); ++linkNumber) {
            final Node node = links.get(linkNumber);
            System.out.println(((Element) node).getAttributeValue("href"));
        }
    }
}

默认情况下，TagSoup 将引用 XHTML 的 XML 命名空间添加到文档中。我选择在这个示例中抑制它。使用默认行为将要求调用root.query包含一个命名空间，如下所示：

root.query("//xhtml:a[@href]", new nu.xom.XPathContext("xhtml", root.getNamespaceURI())

score 5 · Accepted Answer

语言：Perl
库：XML::Twig

#!/usr/bin/perl
use strict;
use warnings;
use Encode ':all';

use LWP::Simple;
use XML::Twig;

#my $url = 'http://stackoverflow.com/questions/773340/can-you-provide-an-example-of-parsing-html-with-your-favorite-parser';
my $url = 'http://www.google.com';
my $content = get($url);
die "Couldn't fetch!" unless defined $content;

my $twig = XML::Twig->new();
$twig->parse_html($content);

my @hrefs = map {
    $_->att('href');
} $twig->get_xpath('//*[@href]');

print "$_\n" for @hrefs;

警告：像这样的页面可能会出现宽字符错误（将 url 更改为被注释掉的页面会出现此错误），但上面的 HTML::Parser 解决方案不存在此问题。

score 5 · Accepted Answer

语言：Perl
库：HTML::Parser
目的：如何使用 Perl 正则表达式删除未使用的嵌套 HTML span 标签？

score 4 · Accepted Answer

语言：C#
库：System.XML（标准 .NET）

using System.Collections.Generic;
using System.Xml;

public static void Main(string[] args)
{
    List<string> matches = new List<string>();

    XmlDocument xd = new XmlDocument();
    xd.LoadXml("<html>...</html>");

    FindHrefs(xd.FirstChild, matches);
}

static void FindHrefs(XmlNode xn, List<string> matches)
{
    if (xn.Attributes != null && xn.Attributes["href"] != null)
        matches.Add(xn.Attributes["href"].InnerXml);

    foreach (XmlNode child in xn.ChildNodes)
        FindHrefs(child, matches);
}

score 4 · Accepted Answer

语言：PHP
库：SimpleXML（和 DOM）

<?php
$page = new DOMDocument();
$page->strictErrorChecking = false;
$page->loadHTMLFile('http://stackoverflow.com/questions/773340');
$xml = simplexml_import_dom($page);

$links = $xml->xpath('//a[@href]');
foreach($links as $link)
    echo $link['href']."\n";

score 4 · Accepted Answer

语言：球拍

库：(planet ashinn/html-parser:1)和(planet clements/sxml2:1)

(require net/url
         (planet ashinn/html-parser:1)
         (planet clements/sxml2:1))

(define the-url (string->url "http://stackoverflow.com/"))
(define doc (call/input-url the-url get-pure-port html->sxml))
(define links ((sxpath "//a/@href/text()") doc))

以上示例使用来自新包系统的包：html-parsing和sxml

(require net/url
         html-parsing
         sxml)

(define the-url (string->url "http://stackoverflow.com/"))
(define doc (call/input-url the-url get-pure-port html->xexp))
(define links ((sxpath "//a/@href/text()") doc))

注意：从命令行使用“raco”安装所需的软件包，其中：

raco pkg install html-parsing

和：

raco pkg install sxml

score 4 · Accepted Answer

语言：JavaScript
库：DOM

var links = document.links;
for(var i in links){
    var href = links[i].href;
    if(href != null) console.debug(href);
}

（使用 firebug console.debug 输出...）

score 3 · Accepted Answer

语言：Objective-C
库：libxml2 + Matt Gallagher 的 libxml2 包装器+ Ben Copsey 的 ASIHTTPRequest

ASIHTTPRequest *request = [ASIHTTPRequest alloc] initWithURL:[NSURL URLWithString:@"http://stackoverflow.com/questions/773340"];
[request start];
NSError *error = [request error];
if (!error) {
    NSData *response = [request responseData];
    NSLog(@"Data: %@", [[self query:@"//a[@href]" withResponse:response] description]);
    [request release];
}
else 
    @throw [NSException exceptionWithName:@"kMyHTTPRequestFailed" reason:@"Request failed!" userInfo:nil];

...

- (id) query:(NSString *)xpathQuery WithResponse:(NSData *)resp {
    NSArray *nodes = PerformHTMLXPathQuery(resp, xpathQuery);
    if (nodes != nil)
        return nodes;
    return nil;
}

score 3 · Accepted Answer

语言：Perl
库：HTML::TreeBuilder

use strict;
use HTML::TreeBuilder;
use LWP::Simple;

my $content = get 'http://www.stackoverflow.com';
my $document = HTML::TreeBuilder->new->parse($content)->eof;

for my $a ($document->find('a')) {
    print $a->attr('href'), "\n" if $a->attr('href');
}

score 3 · Accepted Answer

语言：Python
库：lxml.html

import lxml.html

html = "<html><body>"
for link in ("foo", "bar", "baz"):
    html += '<a href="http://%s.com">%s</a>' % (link, link)
html += "</body></html>"

tree = lxml.html.document_fromstring(html)
for element, attribute, link, pos in tree.iterlinks():
    if attribute == "href":
        print link

lxml 还有一个用于遍历 DOM 的 CSS 选择器类，这使得使用它与使用 JQuery 非常相似：

for a in tree.cssselect('a[href]'):
    print a.get('href')

score 1 · Accepted Answer

语言：PHP 库：DOM

<?php
$doc = new DOMDocument();
$doc->strictErrorChecking = false;
$doc->loadHTMLFile('http://stackoverflow.com/questions/773340');
$xpath = new DOMXpath($doc);

$links = $xpath->query('//a[@href]');
for ($i = 0; $i < $links->length; $i++)
    echo $links->item($i)->getAttribute('href'), "\n";

@有时将符号放在前面$doc->loadHTMLFile以抑制无效的 html 解析警告很有用

score 1 · Accepted Answer

语言：Python
库：HTQL

import htql; 

page="<a href=a.html>1</a><a href=b.html>2</a><a href=c.html>3</a>";
query="<a>:href,tx";

for url, text in htql.HTQL(page, query): 
    print url, text;

简单直观。

score 1 · Accepted Answer

语言：Ruby
库：Nokogiri

#!/usr/bin/env ruby

require "nokogiri"
require "open-uri"

doc = Nokogiri::HTML(open('http://www.example.com'))
hrefs = doc.search('a').map{ |n| n['href'] }

puts hrefs

哪个输出：

/
/domains/
/numbers/
/protocols/
/about/
/go/rfc2606
/about/
/about/presentations/
/about/performance/
/reports/
/domains/
/domains/root/
/domains/int/
/domains/arpa/
/domains/idn-tables/
/protocols/
/numbers/
/abuse/
http://www.icann.org/
mailto:iana@iana.org?subject=General%20website%20feedback

这是对上述内容的一个小改动，产生可用于报告的输出。我只返回 href 列表中的第一个和最后一个元素：

#!/usr/bin/env ruby

require "nokogiri"
require "open-uri"

doc = Nokogiri::HTML(open('http://nokogiri.org'))
hrefs = doc.search('a[href]').map{ |n| n['href'] }

puts hrefs
  .each_with_index                     # add an array index
  .minmax{ |a,b| a.last <=> b.last }   # find the first and last element
  .map{ |h,i| '%3d %s' % [1 + i, h ] } # format the output

  1 http://github.com/tenderlove/nokogiri
100 http://yokolet.blogspot.com

score 1 · Accepted Answer

语言：Java
库：jsoup

import java.io.IOException;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import org.xml.sax.SAXException;

public class HtmlTest {
    public static void main(final String[] args) throws SAXException, ValidityException, ParsingException, IOException {
        final Document document = Jsoup.parse("<html><body><ul><li><a href=\"http://google.com\">google</li><li><a HREF=\"http://reddit.org\" target=\"_blank\">reddit</a></li><li><a name=\"nothing\">nothing</a><li></ul></body></html>");
        final Elements links = document.select("a[href]");
        for (final Element element : links) {
            System.out.println(element.attr("href"));
        }
    }
}

score 0 · Accepted Answer

使用 phantomjs，将此文件另存为 extract-links.js：

var page = new WebPage(),
    url = 'http://www.udacity.com';

page.open(url, function (status) {
    if (status !== 'success') {
        console.log('Unable to access network');
    } else {
        var results = page.evaluate(function() {
            var list = document.querySelectorAll('a'), links = [], i;
            for (i = 0; i < list.length; i++) {
                links.push(list[i].href);
            }
            return links;
        });
        console.log(results.join('\n'));
    }
    phantom.exit();
});

跑：

$ ../path/to/bin/phantomjs extract-links.js

score 0 · Accepted Answer

语言：Coldfusion 9.0.1+

图书馆： jSoup

<cfscript>
function parseURL(required string url){
var res = [];
var javaLoader = createObject("javaloader.JavaLoader").init([expandPath("./jsoup-1.7.3.jar")]);
var jSoupClass = javaLoader.create("org.jsoup.Jsoup");
//var dom = jSoupClass.parse(html); // if you already have some html to parse.
var dom = jSoupClass.connect( arguments.url ).get();
var links = dom.select("a");
for(var a=1;a LT arrayLen(links);a++){
    var s={};s.href= links[a].attr('href'); s.text= links[a].text(); 
    if(s.href contains "http://" || s.href contains "https://") arrayAppend(res,s); 
}
return res; 
}   

//writeoutput(writedump(parseURL(url)));
</cfscript>
<cfdump var="#parseURL("http://stackoverflow.com/questions/773340/can-you-provide-examples-of-parsing-html")#">

返回一个结构数组，每个结构包含一个 HREF 和 TEXT 对象。

score 0 · Accepted Answer

语言：JavaScript/Node.js

图书馆：请求和Cheerio

var request = require('request');
var cheerio = require('cheerio');

var url = "https://news.ycombinator.com/";
request(url, function (error, response, html) {
    if (!error && response.statusCode == 200) {
        var $ = cheerio.load(html);
        var anchorTags = $('a');

        anchorTags.each(function(i,element){
            console.log(element["attribs"]["href"]);
        });
    }
});

请求库下载 html 文档，而 Cheerio 允许您使用 jquery css 选择器来定位 html 文档。

html - 你能提供解析HTML的例子吗？

29 回答 29

Related

Reference