Есть ли библиотека Python, которая позволяет мне анализировать HTML-документ, похожий на то, что делает jQuery?
то есть. Я хотел бы иметь возможность использовать синтаксис селектора CSS, чтобы захватить произвольный набор узлов из документа, прочитать их содержимое/атрибуты и т.д.
Единственная библиотека разбора HTML Python, которую я использовал ранее, была BeautifulSoup, и хотя я прекрасно понимаю, что быстрее будет выполнять мой синтаксический анализ, если у меня есть синтаксис jQuery.: D
Если вы свободно говорите BeautifulSoup, вы можете просто добавить soupselect в ваши библиотеки.
Soupselect - это расширение селектора CSS для BeautifulSoup.
Использование:
>>> from BeautifulSoup import BeautifulSoup as Soup
>>> from soupselect import select
>>> import urllib
>>> soup = Soup(urllib.urlopen('http://slashdot.org/'))
>>> select(soup, 'div.title h3')
[<h3><span><a href='//science.slashdot.org/'>Science</a>:</span></h3>,
<h3><a href='//slashdot.org/articles/07/02/28/0120220.shtml'>Star Trek</h3>,
..]
Рассмотрим PyQuery:
http://packages.python.org/pyquery/
>>> from pyquery import PyQuery as pq
>>> from lxml import etree
>>> import urllib
>>> d = pq("<html></html>")
>>> d = pq(etree.fromstring("<html></html>"))
>>> d = pq(url='http://google.com/')
>>> d = pq(url='http://google.com/', opener=lambda url: urllib.urlopen(url).read())
>>> d = pq(filename=path_to_html_file)
>>> d("#hello")
[<p#hello.hello>]
>>> p = d("#hello")
>>> p.html()
'Hello world !'
>>> p.html("you know <a href='http://python.org/'>Python</a> rocks")
[<p#hello.hello>]
>>> p.html()
u'you know <a href="http://python.org/">Python</a> rocks'
>>> p.text()
'you know Python rocks'
Библиотека lxml поддерживает селектора CSS.