python - 使用 pyparsing 查找以下标签

Question

我正在使用 pyparsing 来解析 HTML。我正在抓取所有 embed 标签，但在某些情况下，紧随其后的是一个 a 标签，如果它可用，我也想抓取它。

例子:

import pyparsing
target = pyparsing.makeHTMLTags("embed")[0]
target.setParseAction(pyparsing.withAttribute(src=pyparsing.withAttribute.ANY_VALUE))
target.ignore(pyparsing.htmlComment)

result = target.searchString(""".....
   <object....><embed>.....</embed></object><br /><a href="blah">blah</a>
   """)

我无法在结果对象中找到任何字符偏移量，否则我只能抓取原始输入字符串的一部分并从那里开始工作。

编辑:

有人问我为什么不使用 BeautifulSoup。这是一个很好的问题，让我告诉你为什么我选择不将它与代码示例一起使用:

import BeautifulSoup
import urllib
import re
import socket

socket.setdefaulttimeout(3)

# get some random blogs
xml = urllib.urlopen('http://rpc.weblogs.com/shortChanges.xml').read()

success, failure = 0.0, 0.0

for url in re.compile(r'\burl="([^"]+)"').findall(xml)[:30]:
    print url
    try:
        BeautifulSoup.BeautifulSoup(urllib.urlopen(url).read())
    except IOError:
        pass
    except Exception, e:
        print e
        failure += 1
    else:
        success += 1


print failure / (failure + success)

当我尝试这个时，BeautifulSoup 失败并出现解析错误 20-30%。这些并不是罕见的边缘情况。 pyparsing 缓慢而繁琐，但无论我向它扔什么，它都没有爆炸。如果我能得到更好的使用 BeautifulSoup 方法的启发，那么我真的很想知道这一点。

Answer 1

如果有可选的<a>如果它跟在 <embed> 之后会很有趣标签，然后将其添加到您的搜索模式中:

embedTag = pyparsing.makeHTMLTags("embed")[0]
aTag = pyparsing.makeHTMLTags("a")[0]
target = embedTag + pyparsing.Optional(aTag)
result = target.searchString(""".....   
    <object....><embed>.....</embed></object><br /><a href="blah">blah</a>
    """)

print result.dump()

如果您想在解析器中捕获表达式的字符位置，请插入其中一个，并带有结果名称:

loc = pyparsing.Empty().setParseAction(lambda s,locn,toks: locn)
target = loc("beforeEmbed") + embedTag + loc("afterEmbed") + 
                                                 pyparsing.Optional(aTag)