どのようにしてPythonリストにHTMLリスト項目を抽出できますか？

Question

可能性の重複：
Parsing HTML in Python

私は、次のようなHTMLの長い文字列を持っている：

<ul> 
<li><a href="https://stackoverflow.com/a/long/link">Class1</a></li> 
<li><a href="/another/link">Class2</a></li> 
<li><img src="/image/location" border="0">Class3</a></li> 
</ul> 

それはいくつかのリスト項目（Class8へのClass1）を持っています。私は、

["Class1", "Class2", "Class3"] 

などのように、クラス名だけでPythonのリストにしたいと思います。

どうすればいいですか？私はREを使ってみましたが、動作するメソッドを見つけることができませんでした。もちろん、8つのクラスでは手作業で簡単に行うことができますが、データを抽出するためにいくつかのHTML文書があります。

ありがとうございます！すべての行末が同じであれば、あなたの例よりも、ファイルにHTMLのように、その後、何かをはるかに多様性を期待している場合:)

は

Answer 1

これは動作しますが、ただ迅速かつ醜いハックとしてそれを取る必要があり、do not parse HTML with regular expressions

>>> hdata = """<ul> 
... <li><a href="https://stackoverflow.com/a/long/link">Class1</a></li> 
... <li><a href="/another/link">Class2</a></li> 
... <li><img src="/image/location" border="0">Class3</a></li> 
... </ul>""" 
>>> import re 
>>> lire = re.compile(r'<li>.*?>(.*?)<.*') 
>>> [lire.search(x).groups()[0] for x in hdata.splitlines() if lire.search(x)] 
    ['Class1', 'Class2', 'Class3'] 

あなたがそうでなければBeautiful Soup

Answer 2

、あなたは

re.compile(r'^<li><.*>(.*)</a></li>$') 

のような正規表現を試みることができますおそらくパーサーが良いでしょう。

Answer 3

チェックを探して、あなたのソースが有効なXMLである場合Element Treeを使用することを試みることができますout lxml（pipインストールlxml）。あなたはもう少し研究を行うことになるでしょうが、効果的にそれがダウンして、このようなものになる：

from lxml import etree 

tree = etree.HTML(page_source) 
def parse_list(xpath): 
    ul = tree.xpath(xpath) 
    return [child.text for child in ul.getchildren()]