Utilisation de regex pour extraire tous les attributs html

Question

Je souhaite utiliser le module re pour extraire tous les nœuds html d'une chaîne, y compris tous leurs attributs. Cependant, je veux que chaque attr soit un groupe, ce qui signifie que je peux utiliser matchobj.group() pour les obtenir. Le nombre d'attr dans un noeud est flexible. C'est là que je suis confus. Je ne sais pas comment écrire une telle regex. J'ai essayé </?(\w+)(\s\w+[^>]*?)*/?>' mais pour un noeud comme <a href='aaa' style='bbb'> je peux seulement obtenir deux groupes avec [('a'), ('style="bbb")].
Je sais qu'il y a de bons parseurs HTML. Mais en réalité je ne vais pas extraire les valeurs des attrs. J'ai besoin de modifier la chaîne brute.

Answer 1

Description de

Pour capturer un nombre infini d'attributs, il aurait besoin d'être un processus en deux étapes, où le premier vous tirez l'élément entier. Ensuite, vous parcourez les éléments et obtenez un tableau d'attributs correspondants.

regex pour attraper tous les éléments: <\w+(?=\s|>)(?:[^>=]|='[^']*'|="[^"]*"|=[^'"][^\s>]*)*?>

regex pour attraper tous les attributs d'un seul élément: \s\w+=(?:'[^']*'|"[^"]*"|[^'"][^\s>]*)(?=\s|>)

python Exemple

Voir travaillant exemple: http://repl.it/J0t/4

code

import re 

string = """ 
<a href="i.like.kittens.com" NotRealAttribute=' true="4>2"' class=Fonzie>text</a> 
"""; 

for matchElementObj in re.finditer(r'<\w+(?=\s|>)(?:[^>=]|=\'[^\']*\'|="[^"]*"|=[^\'"][^\s>]*)*?>', string, re.M|re.I|re.S): 
    print "-------" 
    print "matchElementObj.group(0) : ", matchElementObj.group(0) 

    for matchAttributesObj in re.finditer(r'\s\w+=(?:\'[^\']*\'|"[^"]*"|[^\'"][^\s>]*)(?=\s|>)', string, re.M|re.I|re.S): 
     print "matchAttributesObj.group(0) : ", matchAttributesObj.group(0) 

Sortie

------- 
matchElementObj.group(0) : <a href="i.like.kittens.com" NotRealAttribute=' true="4>2"' class=Fonzie> 
matchAttributesObj.group(0) : href="i.like.kittens.com" 
matchAttributesObj.group(0) : NotRealAttribute=' true="4>2"' 
matchAttributesObj.group(0) : class=Fonzie 

Answer 2

Please don't use regex. Utilisez BeautifulSoup:

>>> from bs4 import BeautifulSoup as BS 
>>> html = """<a href='aaa' style='bbb'>""" 
>>> soup = BS(html) 
>>> mytag = soup.find('a') 
>>> print mytag['href'] 
aaa 
>>> print mytag['style'] 
bbb 

Ou si vous voulez un dictionnaire:

>>> print mytag.attrs 
{'style': 'bbb', 'href': 'aaa'}