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：

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。

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。

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。

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：

 1# Navigate the HTML DOM using Python
 2
 3import aspose.html as ah
 4
 5# Prepare HTML code
 6html_code = "<span>Hello</span> <span>World!</span>"
 7
 8# Initialize a document from the prepared code
 9with ah.HTMLDocument(html_code, ".") as document:
10    # Get the reference to the first child (first SPAN) of the BODY
11    element = document.body.first_child
12    print(element.text_content)  # output: Hello,
13
14    # Get the reference to the whitespace between html elements
15    element = element.next_sibling
16    print(element.text_content)  # output: " "
17
18    # Get the reference to the second SPAN element
19    element = element.next_sibling
20    print(element.text_content)  # output: World!

Example-NavigateHtmlDocument.py hosted with ❤ by GitHub

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。

 1# Navigate and inspect HTML document using Python
 2
 3import os
 4import aspose.html as ah
 5
 6# Load a document from a file
 7data_dir = "data"  # Change this to your actual data directory
 8document_path = os.path.join(data_dir, "html_file.html")
 9with ah.HTMLDocument(document_path) as document:
10    # Get the html element of the document
11    element = document.document_element
12    print(element.tag_name)  # HTML
13
14    # Get the last element of the html element
15    element = element.last_element_child
16    print(element.tag_name)  # BODY
17
18    # Get the first element of the body element
19    element = element.first_element_child
20    print(element.tag_name)  # H1
21    print(element.text_content)  # Header 1

Example-InspectHtmlDocument.py hosted with ❤ by GitHub

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：

 1# How to use XPath to select nodes using Python
 2
 3import aspose.html as ah
 4import aspose.html.dom.xpath as hxpath
 5
 6# Prepare HTML code
 7code = """
 8    <div class='happy'>
 9        <div>
10            <span>Hello,</span>
11        </div>
12    </div>
13    <p class='happy'>
14        <span>World!</span>
15    </p>
16"""
17
18# Initialize a document based on the prepared code
19with ah.HTMLDocument(code, ".") as document:
20    # Here we evaluate the XPath expression where we select all child SPAN elements from elements whose 'class' attribute equals to 'happy'
21    result = document.evaluate("//*[@class='happy']//span",
22                               document,
23                               None,
24                               hxpath.XPathResultType.ANY,
25                               None)
26
27    # Iterate over the resulted nodes
28    node = result.iterate_next()
29    while node is not None:
30        print(node.text_content)
31        node = result.iterate_next()
32        # output: Hello,
33        # output: World!

Example-UseXPathToSelectNodes.py hosted with ❤ by GitHub

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。

 1# Extract nodes Using CSS selector using Python
 2
 3import aspose.html as ah
 4
 5# Prepare HTML code
 6code = """
 7    <div class='happy'>
 8        <div>
 9            <span>Hello,</span>
10        </div>
11    </div>
12    <p class='happy'>
13        <span>World!</span>
14        <p>I use CSS Selector.</p>
15    </p>
16"""
17
18# Initialize a document based on the prepared code
19with ah.HTMLDocument(code, ".") as document:
20    # Create a CSS Selector that extracts all elements whose "class" attribute equals "happy" and their child <span> elements
21    elements = document.query_selector_all(".happy span")
22
23# Iterate over the resulted list of elements
24    for element in elements:
25        print(element.text_content)
26        # output: Hello,
27        # output: World!

Example-SelectHtmlElementsUsingCssSelector.py hosted with ❤ by GitHub

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！

数据提取从 URL 保存文件