之前寫過兩篇關(guān)于HTML DOM解析的文章(附代碼)：

[PFC020071401](https://www.jianshu.com/p/46c92333e2c8)

[PFC0200512](https://www.jianshu.com/p/0a3603993864)

第一篇只能識(shí)別簡(jiǎn)單的HTML標(biāo)簽包含，第二篇僅可以分析出一組根葉子節(jié)點(diǎn)(Leaf Node)，距離簡(jiǎn)單的標(biāo)簽選擇器還有較大的差距。后來想了一兩天，結(jié)合第二篇PFC020071401里的最小標(biāo)簽對(duì)稱法，決定放棄完全依賴正則表達(dá)式的想法。最終考慮像進(jìn)行語法分析那樣，從HTML文本中，分離出一棵或多顆的語法樹，從語法樹中找出最終目標(biāo)。

當(dāng)前的想法是：

1)分析路徑語法；

2)對(duì)HTML文本進(jìn)行正則表達(dá)式匹配，找到目標(biāo)標(biāo)簽；

3)使用最小標(biāo)簽對(duì)稱法，循環(huán)匹配出所有的結(jié)果樹；

4)判斷當(dāng)前標(biāo)簽是否為最終目標(biāo)標(biāo)簽，是則利用第3)步結(jié)果進(jìn)行步驟1)，否則5)；

5)列出結(jié)果。

最小標(biāo)簽對(duì)稱法是利用HTML標(biāo)簽的開始標(biāo)記和結(jié)束標(biāo)記對(duì)稱的原理，來完成標(biāo)簽完整性的目標(biāo)的方法。對(duì)于某些個(gè)別標(biāo)簽開始和結(jié)束標(biāo)記不完全對(duì)稱的問題另當(dāng)別論。HTML5基本要求標(biāo)簽對(duì)稱。這樣就可以忽略正則表達(dá)式貪婪匹配帶來的“多重包含問題”--標(biāo)簽不完整、包含多個(gè)匹配結(jié)果。看以下代碼最小對(duì)稱法 minimalpair()：

'''

author: MRN6

blog: qq_21264377@blog.csdn.net

updated: Jul. 18th, 2020 Sat. 03:40PM

'''

def minimalpair(tag, html, position):

#最小對(duì)稱法

check_start_tag='

check_end_tag=''

if tag=='meta':

check_end_tag='>'

else:

check_end_tag=''+tag+'>'

start_tag_length=len(check_start_tag)

end_tag_length=len(check_end_tag)

length=len(html)

index=position

start=html.find(check_start_tag, index)

if start>=0:

require=1

while require>0 and (index

index=index+1

if html[index:index+start_tag_length]==check_start_tag:

require=require+1

if html[index:index+end_tag_length]==check_end_tag:

require=require-1

return html[position:index+end_tag_length]

image.gif

這個(gè)是從第二篇里的symmetry()方法修改而來， 第2個(gè)參數(shù)修改為html文本， 增加第3個(gè)參數(shù)position索引。

qpath()方法修改為match()，語法分析中去除“END”屬性標(biāo)記：

'''

author: MRN6

blog: qq_21264377@blog.csdn.net

updated: Jul. 18th, 2020 Sat. 03:40PM

'''

def match(path=None, html=None):

if path is None or html is None or len(path.strip())<=0 or len(html.strip())<=0:

return []

if not '//' in path:

return []

rules=path.split('//')

matches=[]

submatches=[]

l=len(rules)

c=0

match_html=html

for rule in rules:

c=c+1

if len(rule.strip())<1:

continue

if submatches is not None and len(submatches)>0:

t=submatches

submatches=[]

for submatch in t:

if len(submatch.strip())<=0:

continue

attributecontent=''

if ':' in rule:

ruledatas=rule.split(':')

tag=ruledatas[0]

attributedatas=ruledatas[1].split('=')

attribute=attributedatas[0]

value=attributedatas[1]

attributecontent=attribute+'="'+value+'[^"]*"'

else:

tag=rule

tempmatches=re.findall(']*'+attributecontent, submatch)

if tempmatches is None or tempmatches==[]:

continue

index=0

#print('[match-end]', tempmatches, '[/match-end]')

for tempmatch in tempmatches:

position=submatch.find(tempmatch, index)

while position>=0 and index

match=minimalpair(tag, submatch, position)

index=position+len(match)

if c==l:

matches.append(match)

else:

submatches.append(match)

position=submatch.find(tempmatch, index)

else:

attributecontent=''

attribute=None

value=None

if ':' in rule:

ruledatas=rule.split(':')

tag=ruledatas[0]

attributedatas=ruledatas[1].split('=')

attribute=attributedatas[0]

value=attributedatas[1]

attributecontent=attribute+'="'+value+'[^"]*"'

else:

tag=rule

tempmatches=re.findall(']*'+attributecontent, match_html)

if tempmatches is None or tempmatches==[]:

return []

index=0

#print('[match-root]', tempmatches, '[/match-root]')

for tempmatch in tempmatches:

if not tag in tempmatch or (attribute is not None and value is not None and not attribute+'="'+value+'"' in tempmatch):

continue

position=match_html.find(tempmatch, index)

while position>=0 and index

match=minimalpair(tag, match_html, position)

#print(position, '[match-sub]', match, '[/match-sub]')

index=position+len(match)

if c==l:

matches.append(match)

else:

submatches.append(match)

position=match_html.find(tempmatch, index)

return matches

對(duì)path和html進(jìn)行簡(jiǎn)單有效性檢查后，分析path的語法，得出path的結(jié)構(gòu)。對(duì)path進(jìn)行逐級(jí)拆分，并在html內(nèi)容中進(jìn)行匹配。首次分析的HTML內(nèi)容為完整的html。之后每次分析的HTML內(nèi)容為前一次分析出的語法樹submatches。因?yàn)槊看畏治龅慕Y(jié)果皆采用最小對(duì)稱法，所以避免重復(fù)包含和標(biāo)簽不完整的問題。分析流程抵達(dá)最后目標(biāo)標(biāo)簽時(shí)，將結(jié)果加入matches中，最后返回matches。

現(xiàn)在用實(shí)踐來檢驗(yàn)一下成果。

https://news.163.com HTML源碼

?

https://news.163.com HTML源碼

輸入路徑規(guī)則：

mypaths=["//div:class=column_main//h3", "//div:class=column_main//div:class=photo", "//div:class=column_main//ul//li",

"//div:class=bd", "//div:class=bd//div:class=ns_area list", "//div:class=bd//div:class=ns_area list//li",

"//div:class=bd//div:class=ns_area list//ul//li//a", "//div:class=bd//div:class=ns_area list//ul//a",

"//div:class=ntes-quicknav-content//ul//li", "//div:class=ntes-quicknav-content//ul//li//a",

"//div:class=mt35 mod_hot_rank clearfix//ul//li", "//div:class=mt35 mod_hot_rank clearfix//ul//a",

"//div:class=mt35 mod_money//ul//li", "//div:class=mt35 mod_money//div:class=bg//h3",

"//div:class=bottomnews_main clearfix//h2",

"//div:class=ns_area index_media//ul//li//a",

"//meta:http-equiv=Content-Type",

"//meta:name=keywords",

"//title"]

這些都是該HTML文本內(nèi)容中存在的規(guī)則，包含逐級(jí)和跳級(jí)的。任意選取其一進(jìn)行測(cè)試。

path=mypaths[-10]

results=match(path, html)

print('', path, '')

print('', str(len(results)), '')

counter=0

for result in results:

counter=counter+1

print('['+str(counter)+']', result, '[/'+str(counter)+']')

mypaths[-10]為mypaths數(shù)組中倒數(shù)第10個(gè)，這是python的基本語法。

運(yùn)行結(jié)果：

path=mypaths[-10]運(yùn)行結(jié)果

總結(jié)

以上是生活随笔為你收集整理的html 选中tag标签,HTML Tag Selector标签选择器PFC020071801的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。