सरल HTML पार्सिंग लाइब्रेरी

हाल ही में लॉन्च किया गया पत्ता, यह पायथन में HTML को पार्स करने के लिए एक छोटी सी लाइब्रेरी है।
यह काफी समय से मेरी सभी ज़रूरतों को पूरा कर रहा है, लेकिन विकास के लिए अभी भी विचार हैं।
यह लाइब्रेरी अनिवार्य रूप से lxml पर एक आवरण है, जो इसके साथ काम करना अधिक सुखद बनाता है।

कार्यों

• JQuery के रूप में सीएसएस चयनकर्ताओं के लिए सुविधाजनक पहुँच
• तत्व विशेषताओं तक आसान पहुँच
• HTML को अन्य मार्कअप भाषाओं में बदलने की क्षमता (bbcode, markdown, आदि)
• पाठ के साथ काम करने के लिए कई कार्य
• और हां, lxml के सभी कार्य

विवरण

Html को पार्स करने के लिए, आपको लीफ.पार्स के साथ एक लाइन पास करनी होगी:

import leaf document = leaf.parse(sample) links = document ( 'div#menu a' ) # CSS link = document .get( 'div#menu a' ) # None ( ) * This source code was highlighted with Source Code Highlighter .

1. import leaf document = leaf.parse(sample) links = document ( 'div#menu a' ) # CSS link = document .get( 'div#menu a' ) # None ( ) * This source code was highlighted with Source Code Highlighter .
2. import leaf document = leaf.parse(sample) links = document ( 'div#menu a' ) # CSS link = document .get( 'div#menu a' ) # None ( ) * This source code was highlighted with Source Code Highlighter .
3. import leaf document = leaf.parse(sample) links = document ( 'div#menu a' ) # CSS link = document .get( 'div#menu a' ) # None ( ) * This source code was highlighted with Source Code Highlighter .
4. import leaf document = leaf.parse(sample) links = document ( 'div#menu a' ) # CSS link = document .get( 'div#menu a' ) # None ( ) * This source code was highlighted with Source Code Highlighter .

import leaf document = leaf.parse(sample) links = document ( 'div#menu a' ) # CSS link = document .get( 'div#menu a' ) # None ( ) * This source code was highlighted with Source Code Highlighter .

इसके अलावा, अब तत्व विशेषताओं तक पहुंच आसान हो गई है:

1. प्रिंट लिंक
2. लिंक प्रिंट करें

* इस सोर्स कोड को सोर्स कोड हाइलाइटर के साथ हाइलाइट किया गया था।

सभी मानक lxml विधियाँ उपलब्ध हैं (और उनके निष्पादन के परिणामस्वरूप प्राप्त तत्व पुस्तकालय के सभी लाभों को बनाए रखते हैं):

1. लिंक = दस्तावेज़ .xpath ( 'शरीर / div / ul / li [@ वर्ग = "सक्रिय_लिंक"]' ) [0]
2. link.get ( 'a' ) .text

* इस सोर्स कोड को सोर्स कोड हाइलाइटर के साथ हाइलाइट किया गया था।

खैर, शायद सबसे दिलचस्प कार्यक्षमता HTML के लिए bbcode और अन्य मार्कअप भाषाओं का रूपांतरण है। भविष्य में, लोकप्रिय मार्कअप भाषाओं में बदलने के लिए तरीकों को जोड़ा जाएगा, लेकिन अभी के लिए, आप वांछित विधि के लिए एक फ़ंक्शन लिख सकते हैं।

1. # Html का एक कनवर्टर फंक्शन का एक उदाहरण एक निश्चित
2. # मार्कअप भाषा जो केवल समर्थन करती है
3. # लिंक [url] [/ url] में संलग्न
4. def omgcode_formatter (तत्व, बच्चे):
5. # बदलें एक नया चरित्र के साथ
6. यदि तत्व। tag == 'br' :
7. वापसी '\ n'
8. # पोलिंग लिंक [url] [/ url] में
9. अगर element.tag == 'a' :
10. वापसी u "[url = link}] {text} [/ url]" .format (लिंक = element.href, टेक्स्ट = बच्चे)
11. # अन्य सभी तत्वों के लिए, परिणाम वापस करें
12. # सभी बच्चों को संभालना।
13. अगर बच्चे:
14. बच्चों को वापस करो

* इस सोर्स कोड को सोर्स कोड हाइलाइटर के साथ हाइलाइट किया गया था।

इस फ़ंक्शन को पुनरावर्ती कहा जाएगा, तत्व ले जा रहा है (यह टैग का एक HTML तत्व है) और बच्चों (इस तत्व के सभी बच्चों पर इस फ़ंक्शन को निष्पादित करने का परिणाम) मापदंडों के रूप में।
एक तत्व को बदलने के लिए (आप एक अलग परत और पूरे पेड़ दोनों का उपयोग कर सकते हैं):

1. दस्तावेज़ .parse (omgcode_formatter)

* इस सोर्स कोड को सोर्स कोड हाइलाइटर के साथ हाइलाइट किया गया था।

जहाँ दस्तावेज़ वर्ग के पत्तों की एक वस्तु है।
अच्छी तरह से, और पाठ के साथ काम करने के लिए कुछ कार्य:

to_unicode - एक स्ट्रिंग को यूनिकोड में बदलें
strip_accents - एक स्ट्रिंग से उच्चारण, umlauts और जैसे को हटाता है
stri_symbols - एक स्ट्रिंग से विभिन्न यूनिकोड विशेष को निकालता है। अक्षर और सामान
strip_spaces - अतिरिक्त स्थान हटाता है
stri_linebreaks - अतिरिक्त लाइन विराम को हटाता है

अधिक विस्तृत उदाहरण परीक्षणों में हैं।

निष्कर्ष

पुस्तकालय यहां उपलब्ध है:

• पायथन पैकेज
• GitHub