Skip to main content
 首页 » 编程设计

python之识别标签结构不同的分支

2025年05月04日12zhwl

我希望仅通过标签检查两个 html 是否不同,而不考虑文本并挑选出那些分支。

例如:

html_1 = """ 
<p>i love it</p> 
""" 
html_2 = """  
<p>i love it really</p> 
""" 

它们共享相同的标签结构,因此看起来是一样的。然而:

html_1 = """ 
<div> 
<p>i love it</p> 
</div> 
<p>i love it</p> 
""" 
html_2 = """  
<div> 
<p>i <em>love</em> it</p> 
</div> 
<p>i love it</p> 
""" 

我希望它返回 <div>分支,因为标记结构不同。可以lxml , BeautifulSoup或者其他一些库实现这个?我正在尝试找到一种方法来实际挑选出不同的分支。

谢谢

请您参考如下方法:

一个更可靠的方法是构造一个 Tree此处讨论的文档中的标签名称:

这是一个基于 treelib.Tree 的示例工作解决方案:

from bs4 import BeautifulSoup 
from treelib import Tree 
 
 
def traverse(parent, tree): 
    tree.create_node(parent.name, parent.name, parent=parent.parent.name if parent.parent else None) 
 
    for node in parent.find_all(recursive=False): 
        tree.create_node(node.name, parent=parent.name) 
        traverse(node, tree) 
 
 
def compare(html1, html2): 
    tree1 = Tree() 
    traverse(BeautifulSoup(html1, "html.parser"), tree1) 
    tree2 = Tree() 
    traverse(BeautifulSoup(html2, "html.parser"), tree2) 
 
    return tree1.to_json() == tree2.to_json() 
 
print compare("<p>i love it</p>", "<p>i love it really</p>") 
print compare("<p>i love it</p>", "<p>i <em>love</em> it</p>") 

打印:

True 
False