如何在XML/HTML中找到重复元素的结构

我目前正在尝试解决一个编程问题。我正在尝试在任何HTML页面中找到重复的结构，并且正在尝试检索这些元素的值。

例如，我有一个带有重复元素的HTML页面，如以下内容：

<html>
<body>
  <ul>
     <li>green</li>
     <li>orange</li>
     <li>red</li>
  </ul>
</body>

在此代码中，我想检测到有一个重复块（" li"项目），我想提取它们的值。另一个HTML示例：

<table>
   <tr>
      <td>1</td>
      <td>John</td>
   </tr>
   <tr>
      <td>2</td>
      <td>Simon</td>
   </tr>
</table>

在此示例中，我想检测到结构是重复的，并从中获取值[1，John]和[2，Simon]。

我的问题是：是否有一个简单的算法可以做类似的事情，或者，如果没有，您将如何处理这样的事情？

一个相当基本的python程序，该程序检测重复的TR-TD-TD标签序列和重复的TD标签，如下所示。使用您的第二个HTML示例保存在文件xml.html中，程序打印出来：

tr.td.td 
td 1
td John
tr.td.td 
td 2
td Simon
Counter({'td': 4, 'tr.td.td': 2, 'table.tr.tr': 1})

#!/usr/bin/env python
from xml.etree import cElementTree as ET
from collections import Counter
def sot(r, depth):
    tags = r.tag
    for e in r.getchildren():
        tags += '.' + sot(e, depth+1)
    r.tail = tags
    cc[r.tail] += 1
    return r.tag
def tot(r, depth):
    if cc[r.tail] > 1:
        print r.tail, r.text
    for e in r.getchildren():
        tot(e, depth+1)
cc = Counter()
p=ET.parse ("xml.html")
sot(p.getroot(), 0)
tot(p.getroot(), 0)
print cc

相关内容

最新更新

热门标签：