用 Python 浏览 HTML

HTML 导航

Aspose.Html.Dom 命名空间提供了表示任何 HTML、XML 或 SVG 文档并与之交互的 API，它完全基于许多现代浏览器支持的 WHATWG DOM 规范。

本文介绍了如何使用 Aspose.HTML for Python 通过 .NET 以编程方式从 HTML 文档中提取数据。您会发现

• 如何使用 Python API 浏览 HTML 文档并详细检查其中的元素；
• 如何使用 CSS 选择器和 XPath 查询浏览文档。

浏览 HTML 涉及访问和操作文档中的元素及其关系。 Aspose.HTML for Python via .NET允许您导航和检查 HTML，这涉及使用库提供的文档对象模型(DOM)。下面的列表显示了访问所有 DOM 元素的最简单方法：

1. 文档对象模型(DOM) .DOM 结构以节点树的形式表示 HTML 文档。每个节点代表文档的一部分，如元素、文本或注释。

• Document 类代表整个 HTML、XML 或 SVG 文档，是文档树的根。
• Element 类表示 HTML 或 XML 文档中的一个元素。
• Node 类表示文档树中的一个节点。

2. 获取要素

• 使用 get_elements_by_tag_name(tagname) 等方法，按标记名检索元素。
• 使用 get_element_by_id() 方法访问具有唯一 ID 的特定元素。
• 使用 get_elements_by_class_name(class_names) 按类名检索元素。
• 使用 query_selector(selector) 方法查询单个元素，或使用 query_selector_all(selector) 方法查询与 CSS 选择器匹配的元素列表。

3. 浏览 DOM 树

• 使用 child_nodes 或 children 属性访问元素的子元素。
• 使用 first_child 或 last_child 属性可以返回当前节点的第一个或最后一个子节点。
• 使用 parent_node 属性访问给定元素的父节点。
• 使用 next_sibling 或 next_sibling 等属性访问兄弟姐妹。

4. 操纵元素

• 使用元素类的属性，如 inner_html 和 text_content 来修改元素内容。
• 使用 get_attribute(qualified_name) 和 set_attribute(qualified_name, value) 等方法获取或设置属性。

API Reference Source 全面列出了 aspose.html.dom 命名空间中的类和方法。

浏览 DOM 树

我们将讨论 DOM 如何在内存中表示 HTML 文档，以及如何使用 API 浏览 HTML 文件。 Node 类的四个属性–first_child、last_child、next_sibling和next_sibling–都提供了对与当前元素有定义关系的另一个元素的实时引用，如果相关元素存在的话。

使用上述属性，您可以浏览 HTML 文档，如下所示：

# Navigate the HTML DOM using Python

import aspose.html as ah

# Prepare HTML code
html_code = "<span>Hello</span> <span>World!</span>"

# Initialize a document from the prepared code
with ah.HTMLDocument(html_code, ".") as document:
    # Get the reference to the first child (first SPAN) of the BODY
    element = document.body.first_child
    print(element.text_content)  # output: Hello,

    # Get the reference to the whitespace between html elements
    element = element.next_sibling
    print(element.text_content)  # output: " "

    # Get the reference to the second SPAN element
    element = element.next_sibling
    print(element.text_content)  # output: World!

检查 HTML

Aspose.HTML 包含一系列基于 元素遍历规范的方法。您可以使用该 API 对文档及其元素进行详细检查。下面的 Python 代码演示了如何使用 Aspose.HTML for Python 通过 .NET 浏览和提取 HTML 文档中的特定元素及其属性。

# Navigate and inspect HTML document using Python

import os
import aspose.html as ah

# Load a document from a file
data_dir = "data"  # Change this to your actual data directory
document_path = os.path.join(data_dir, "html_file.html")
with ah.HTMLDocument(document_path) as document:
    # Get the html element of the document
    element = document.document_element
    print(element.tag_name)  # HTML

    # Get the last element of the html element
    element = element.last_element_child
    print(element.tag_name)  # BODY

    # Get the first element of the body element
    element = element.first_element_child
    print(element.tag_name)  # H1
    print(element.text_content)  # Header 1

所提供的 Python 代码首先定义了位于 data 目录下的 HTML 文件的路径。

• 使用 HTMLDocument 加载文档，并使用 document.document_element 属性访问 HTML 根元素。打印该元素的标记名，即 “HTML”。
• 接下来，使用 last_element_child 获取 HTML 元素的最后一个子元素，即 “BODY “元素，并打印其标记名。
• 随后，使用 first_element_child 属性访问 BODY 元素的第一个子元素，即 “H1 “元素，打印其标记名称和文本内容，即 “页眉 1”。

XPath 查询

XPath 查询( XML 路径语言)是HTML 导航的替代方法，通常简称为 XPath。它是一种查询语言，可用来查询 HTML 文档中的数据。它基于 HTML 文档的 DOM 表示法，并根据各种标准选择节点。XPath 表达式的语法非常简单，更重要的是，它易于阅读和支持。

下面的示例展示了如何在 Aspose.HTML Python API 中使用 XPath 查询：

# How to use XPath to select nodes using Python

import aspose.html as ah
import aspose.html.dom.xpath as hxpath

# Prepare HTML code
code = """
    <div class='happy'>
        <div>
            <span>Hello,</span>
        </div>
    </div>
    <p class='happy'>
        <span>World!</span>
    </p>
"""

# Initialize a document based on the prepared code
with ah.HTMLDocument(code, ".") as document:
    # Here we evaluate the XPath expression where we select all child SPAN elements from elements whose 'class' attribute equals to 'happy'
    result = document.evaluate("//*[@class='happy']//span",
                               document,
                               None,
                               hxpath.XPathResultType.ANY,
                               None)

    # Iterate over the resulted nodes
    node = result.iterate_next()
    while node is not None:
        print(node.text_content)
        node = result.iterate_next()
        # output: Hello,
        # output: World!

Aspose.HTML Python 库中的 evaluate() 方法允许您针对 HTML 或 XML 文档执行 XPath 查询，从而实现详细的数据提取和导航。该方法将 XPath 表达式作为主参数，指定要执行的查询，并根据定义的结果类型返回一个 XPathResult 对象。

CSS 选择器

除了 HTML 导航和 XPath 之外，Aspose.HTML Python API 还支持 CSS 选择器 API。该 API 允许您使用 CSS 选择器 语法制定搜索模式，以识别和选择 HTML 文档中的元素。例如， query_selector_all(selector) 方法可用于遍历 HTML 文档并检索与指定 CSS 选择器匹配的元素。该方法接受 CSS 选择器字符串作为参数，并返回一个包含符合选择器条件的所有元素的 NodeList 方法。使用 CSS 选择器，您可以根据元素的属性、类、ID 和其他标准有效地查找和处理元素，使其成为一种通用工具，既可用于简单的文档解析任务，也可用于复杂的文档解析任务。这一功能对于 HTML 文档中的样式设计、数据提取和内容处理等任务尤为有用。

# Extract nodes Using CSS selector using Python

import aspose.html as ah

# Prepare HTML code
code = """
    <div class='happy'>
        <div>
            <span>Hello,</span>
        </div>
    </div>
    <p class='happy'>
        <span>World!</span>
        <p>I use CSS Selector.</p>
    </p>
"""

# Initialize a document based on the prepared code
with ah.HTMLDocument(code, ".") as document:
    # Create a CSS Selector that extracts all elements whose "class" attribute equals "happy" and their child <span> elements
    elements = document.query_selector_all(".happy span")

# Iterate over the resulted list of elements
    for element in elements:
        print(element.text_content)
        # output: Hello,
        # output: World!

结论

Aspose.HTML for Python via .NET 库为处理 HTML、XML 和 SVG 文档提供了一套强大的工具，符合现代浏览器广泛支持的 WHATWG DOM 规范。使用 “HTMLDocument “类及其各种导航属性和方法，您可以有效地与 HTML 内容交互并对其进行操作，从而避免手动提取数据的复杂性，并专注于项目中更具战略性的方面。

Aspose.HTML 提供免费的在线 HTML 网络应用程序，是转换器、合并器、搜索引擎优化工具、HTML 代码生成器、URL 工具、网络可访问性检查等的在线集合。这些应用程序可在任何带有网络浏览器的操作系统上运行，无需安装任何其他软件。使用我们的 HTML 网络应用程序集来处理您的日常事务，让您的工作流程更加顺畅！