python - 我如何/应该使用 Python 将 html 文档分成几个部分？ (技术上和逻辑上)

Question

我有一个 HTML 文档，我正在尝试将其分成单独的较小块。比如说，将每个 < h3 > header 转化为自己的单独文件，仅使用该 block 中编码的 HTML(以及 html、head、body、标签)。

我正在使用Python的Beautiful Soup，我对它很陌生，但似乎很容易用于完成这样的简单任务(有更好的建议，如lxml或Mini-dom吗？)。所以:

1) 我该如何“解析所有 < h3 > 并将每个文件变成一个单独的文档”？从指向正确方向的指针到代码片段再到在线文档(Soup 的发现很少)，任何内容都将受到赞赏。

2)从逻辑上讲，找到标签是不够的 - 我需要物理上“剪切它”并将其放入一个单独的文件中(并将其从原始文件中删除)。也许解析文本行而不是节点会更容易(尽管 super 难看，从形成的结构中解析原始文本......？)

3)类似相关 - 假设我想从某种类型的所有标签中删除某个属性(例如，删除所有图像的对齐属性)。这看起来很容易，但我失败了 - 任何帮助将不胜感激!谢谢你的帮助!

Answer 1

是的，您使用BeautifulSoup或lxml。两者都有方法来查找要提取的节点。然后，您还可以从节点对象重新创建 HTML，从而将该 HTML 保存到新文件中。