最近没什么事，重做一下自己的爬虫。于是想加一个表单提取的功能，我目的是能直接传入html他就能解析出表单的结构，就是个类似下面的一个结果：
{
'post_url':'',
'input_field1':'',
'input_field2':'',
'select_field1':'',
...
}
查资料发现如下几个方法：
1. mechanize，ghost.py
优点：方便，ghost还支持js解析
缺点：慢，非标准库，处理方式不符合要求(要重新发起请求)
2. 正则
优点：能符合要求
缺点：错误率高
请问大家是怎么匹配页面中的表单？
 |
1
aec4d Feb 23, 2015
用pyquery 如果你喜欢用jQuery的话
|
 |
2
banbanchs Feb 23, 2015
用解析html的库：pyquery、Beautiful Soup、lxml什么的把<form>找到，解析里面的input标签就好了
|
 |
3
tdifg OP |
 |
5
zhanglp888 Feb 24, 2015
先用tidy，将你要抓取的html整理好了，再写正则，或用pyquery
基本上不会太大问题 |
|
6
tdifg OP 恩，之前想麻烦了，现在直接正则出form，然后正则input，最后逐条正则里面的属性，貌似可以达成目标了。哎，到底是没学过html啊。
|
Select Language