soup = BeautifulSoup(all_text, 'html.parser')
match = soup.findAll("img")
if len(match) > 0:
    for m in match:
        imagelist.append(str(m))

沙龙晃荡 | 3月31日 京东、微博、华为拭魅战专家与你合营商量容器技巧实践！

用一些简单的脚本，可以很轻易地清理文档和其它大年夜量的 HTML 文件。然则起首你须要解析它们。

我决定为本身创建一个项目来解决这个问题。 一种办法是搜刮未应用的现有图像文件。 如不雅我可以扫描所有 HTML 文件中的图像引用，然后将该列表与实际图像文件进行比较，那么我可能会看到不匹配的文件。

这是一个典范的图像标签：

我对 src=http://developer.51cto.com/art/201803/ 之后的第一组引号之间的部分很感兴趣。 在寻找了一些解决筹划后，我找到一个名为 BeautifulSoup 的 Python 模块。 脚本的核心部分如下所示：

我们可以应用这个 findAll 办法来挖出图片标签。 这是一小部分输出：

到如今为止还挺好。我原认为下一步就可以搞定了，然则当我裹足本中测验测验了一些字符串办法时，它返回了有关标记的缺点而不是字符串的缺点。 我将输出保存到一个文件中，并在 KWrite 中进行编辑。 KWrite 的一个好处是你可以应用正则表达式（regex）来做“查找和调换”操作，所以我可以用 \n<img 调换 <img，如许可以看得更清跋扈。 KWrite 的另一个好处是，如不雅你用正则表达式做了一个不明智的选择，你还可以撤消。

作为 Scribus 文档团队的经久成员，我要随时懂得最新的源代码更新，以便对文档进行更新和弥补。 我比来在刚进级到 Fedora 27 体系的计算机上应用 Subversion 进行检出操作时，对于下载该文档所须要的时光我认为很惊奇，文档由 HTML 页面和相干图像构成。 我生怕该项目标文档看起来比项目本身大年夜得多，并且困惑个中的一些内容是“僵尸”文档——不再应用的 HTML 文件以及 HTML 中无法拜访到的图像。

但我认为，肯定有比这更好的器械，所以我转而应用正则表达式，或者更具体地说 Python 的 re 模块。 这个新脚本的相干部分如下所示：

match = re.findall(r'src=http://developer.51cto.com/art/201803/"(.*)/>', all_text)
if len(match)>0:
    for m in match:
        imagelist.append(m)

<img src="images/edit_shapes.png"	
			
 1/8    1 2 3 4 5 6 下一页 尾页
	
			

　　推荐阅读
　　苹果秘密专利曝光：一支能在空中写字的Apple Pen
            沙龙晃荡 | 3月31日 京东、微博、华为拭魅战专家与你合营商量容器技巧实践！
            2015年，固执的苹不雅也推出了带压力感应的手写笔，然则迄今为止，这个笔如今只能在iPad Pro上应用，这让苹不雅>>>详细阅读


本文标题：如何用Python解析HTML?
地址：http://www.17bianji.com/lsqh/40963.html
 1/2    1