Python中如何从HTML字符串中获取链接和标题？

Question

我正在使用Python编写xbmc插件。我已经得到了一个字符串列表，格式如下：
<a href="/www.link.to/something">链接名称</a>

通过使用Beautiful Stone Soup（代码的相关部分）：

 soup = BeautifulStoneSoup(link, convertEntities=BeautifulStoneSoup.XML_ENTITIES)
    programs = soup('ul')
    i = 0
    for prog in programs:
        i = i+1
        if i==(5+getLetterValue(name)):
            j = 0
            while j < len(prog('li')):
                li = prog('li')[j]
                link = li('a')[0]

getLeterValue是一个函数，它返回一个索引，该索引指示特定的“ul”标记放置在哪里（根据所需字母）。

现在我想拆分链接和文本。我尝试使用re.compile：
match=re.compile('<a href="(.+?)">(.+?)</a>').findall(link.string)
但我得到的只有match=[]。

我做错了什么？

注意： 我知道我应该regexp html代码，但我不确定这个“规则”是否适用于小字符串。此外，由于某种原因，这几乎是xbmc插件编写的标准，我认为这其中一定有原因。

- Yotam

---

如果 link.string 像 <a href="/www.link.to/something">链接名称</a> 这样，那么正则表达式的模式就正确匹配它们了。但是不要使用标识符 'match' 调用对象，我认为你没有覆盖 re 的方法 match，但这很危险。 - eyquem

你应该使用 for i,prog in enumerate(programs):。 - eyquem

Answer 1

为什么不让BeautifulSoup提供属性和元素内容的href呢？

- Ross Patterson

---

很棒的工具。不过，我仍然需要在我的问题中使用字符串“链接名称”。 - Yotam

这也在同一文档中。已经编辑了答案，并粘贴了文档内容。 - Ross Patterson

在你回答我的前15分钟，我已经找到了相关内容，谢谢。不过我还有一个问题。我认为这与网页上的希伯来语有关。我得到的答案格式是[u'\u50e0...']，我无法弄清如何将其转换为Unicode字符串。 - Yotam

不行，它没起作用。我试着玩了一下，但我无法将其转换为希伯来语。我会问一个新问题。 - Yotam

Answer 2

最简单的方法是使用lxml：

from lxml.html import fromstring

elem = fromstring(link.string)
print elem.attrib["href"]
print elem.text

- Gabi Purcaru

---

lxml比BeautifulSoup慢，而BeautifulSoup本身比纯正则表达式慢。有一次我测量了使用唯一正则表达式的代码比lxml慢100倍。 - eyquem