大家如何提取 html 中的表单？(Python)

[tdifg]

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？

[aec4d]

用pyquery 如果你喜欢用jQuery的话

[banbanchs]

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

[tdifg]

@banbanchs
@aec4d
恩，我知道这些，而且以前就是用这些库的。但是主要这次想用标准库解决，因为部署在机器上的时候第三方库不太方便(想扩展成分布式的)。而且，话说以前用lxml的时候老是因为编码，奇怪的html结构什么的出错。或者自己写一个xml解析？

[chinvo]

@tdifg 只有xhtml嚴格準訓xml規範，一視同仁地用xml解析可能會出現問題。你可以用正則。

[zhanglp888]

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

[tdifg]

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。