当前位置：首页 > 文章列表 > 文章 > 前端 > Python提取HTML数据的实用方法

Python提取HTML数据的实用方法

2025-09-11 18:34:58 0浏览收藏

# Python提取HTML变量值方法解析：字符串操作与正则表达式实战本文深入解析了如何利用 Python 从 HTML 响应中精准提取 `authorizationCode` 变量值，助力开发者高效处理 API 数据。针对 HTML 结构，我们提供了两种实用方法：一是巧妙运用 `find()` 和 `split()` 等字符串操作函数，适用于结构简单的 HTML；二是借助强大的正则表达式，灵活应对复杂多变的 HTML 结构。文章包含详尽的代码示例和解析，助你快速掌握从 HTML 字符串中提取特定信息的技巧，无论面对简单还是复杂的 HTML 结构，都能游刃有余地提取所需变量值。立即学习，提升你的 Python 数据处理能力！

使用 Python 从 HTML 响应中提取特定变量值

本文介绍了如何使用 Python 从 HTML 响应中提取 authorizationCode 变量的值。主要讲解了两种方法：一种是使用字符串操作函数 find() 和 split()，另一种是使用正则表达式。文章提供了完整的代码示例，帮助开发者快速掌握从 HTML 字符串中提取特定信息的方法。

当从 API 接收到 HTML 响应时，有时需要从中提取特定的变量值。例如，你可能需要获取 JavaScript 代码中定义的 authorizationCode。以下介绍两种常用的 Python 方法来实现这个目标。

方法一：使用字符串操作

这种方法依赖于 Python 的字符串操作函数，例如 find() 和切片。它适用于 HTML 结构相对简单，且目标变量的位置比较固定的情况。

html_content = """
<html>
<head>
--------------------
</head>
<body>
    <script>
        function onClickButton(word) {
        if (word == 'yes'){
          var authorizationCode = '360ad5ce-ecfe-4ad4-83d1-9254e89a3ccc';
          var state = 'c8271b81-4229-6a1f-bf9c-758f11c1f5b1';
        } else {
          alert(word);
        }
      }
    </script>
    <div class="shb-psua-sign-app-sandbox-container">
    --------------------
    </div>
</body>
</html>
"""

start = html_content.find("var authorizationCode = '") + len("var authorizationCode = '")
end = html_content.find("';", start)

authorization_code = html_content[start:end]

print(authorization_code)

代码解释:

html_content: 包含 HTML 内容的字符串。
start = html_content.find("var authorizationCode = '") + len("var authorizationCode = '"): 找到字符串 "var authorizationCode = '" 的起始位置，并加上该字符串的长度，得到 authorizationCode 值的起始位置。
end = html_content.find("';", start): 从 start 位置开始，找到下一个单引号和分号 '; 的位置，作为 authorizationCode 值的结束位置。
authorization_code = html_content[start:end]: 使用切片操作，提取 start 和 end 之间的字符串，即 authorizationCode 的值。

注意事项:

这种方法对 HTML 结构的依赖性较强。如果 HTML 结构发生变化，例如变量名改变，或者单引号的使用方式改变，代码可能无法正常工作。
确保 HTML 内容已经解码为字符串。如果 data 是字节串，需要使用 data.decode('utf-8') 进行解码。

方法二：使用正则表达式

正则表达式是一种更强大的模式匹配工具，可以更灵活地从字符串中提取信息。

import re

html_content = """
<html>
<head>
--------------------
</head>
<body>
    <script>
        function onClickButton(word) {
        if (word == 'yes'){
          var authorizationCode = '360ad5ce-ecfe-4ad4-83d1-9254e89a3ccc';
          var state = 'c8271b81-4229-6a1f-bf9c-758f11c1f5b1';
        } else {
          alert(word);
        }
      }
    </script>
    <div class="shb-psua-sign-app-sandbox-container">
    --------------------
    </div>
</body>
</html>
"""

results = re.search("var authorizationCode = '([^']*)'", html_content)

if results:
    authorization_code = results.group(1)
    print(authorization_code)
else:
    print("未找到 authorizationCode")

代码解释:

import re: 导入 re 模块，用于使用正则表达式。
results = re.search("var authorizationCode = '([^']*)'", html_content): 使用 re.search() 函数在 html_content 中搜索匹配正则表达式 "var authorizationCode = '([^']*)'" 的内容。
- "var authorizationCode = '([^']*)'" 是一个正则表达式，它的含义是：
  - var authorizationCode = ': 匹配字符串 "var authorizationCode = '"。
  - ([^']*): 匹配任意数量的非单引号字符，并将其作为一个分组捕获。 () 表示一个分组，[^'] 表示匹配除了单引号之外的任意字符，* 表示匹配零个或多个前面的字符。
  - ': 匹配一个单引号。
if results:: 判断是否找到了匹配的内容。
authorization_code = results.group(1): 如果找到了匹配的内容，则使用 results.group(1) 获取第一个分组的内容，即 authorizationCode 的值。
else: print("未找到 authorizationCode"): 如果没有找到匹配的内容，则打印 "未找到 authorizationCode"。

注意事项: