Question

我正在使用HTMLParser从简单的html文本中提取图像网址，如下所示：

html = <p><span style="font-size: 17px;"><span style="color: #993300;"><img style="margin-right: 15px; vertical-align: top;" src="images/announcements.png" alt="announcements" /><cite>some message I would like to preserve with its formatting</cite></span></span></p>

现在我还需要一个没有img标签的上述html版本，但是在正确的位置关闭标签时遇到了困难。这是我试过的：

class MyHtmlParser(HTMLParser):
    '''
    Parse simple url to extract data and image url.
    This is expecting a simple url containing only one data block and one iimage url.
    '''
    def __init__(self):
        HTMLParser.__init__(self)
        self.noImgHtml = ''

    def handle_starttag(self, tag, attrs):
        if tag == 'img':
            for a in attrs:
                if a[0] == 'src':
                    self.imageUrl = a[1]
        else:
            print '<%s>' % tag
            self.noImgHtml += '<%s>' % tag
            for a in attrs:
                print '%s=%s' % a
                self.noImgHtml += '%s=%s' % a

    def handle_endtag(self, tag):
        self.noImgHtml += '</%s>' % tag

    def handle_data(self, data):
        self.noImgHtml += data

MyHtmlParser（）。feed（html）的输出是：

<b>LATEST NEWS:</b><p><span>style=font-size: 17px;<span>style=color: #993300;</img><cite>The image uploader works again, so make sure to use some screenshots in your uploads/tutorials to make your submission look extra nice</cite></span></span></p>

正如您所看到的（并且正如我的代码流程所预期的那样），标签不会像原始html那样关闭（例如span＆gt;）。

这可以通过HTMLParser轻松完成，还是应该使用RE来提取图像标记（看起来不是很优雅）？

我无法使用外部模块执行此操作，因此需要使用HTMLParser提供的功能。

提前致谢，坦率

Answer 1

事实上，您的代码正常运行，您可以使用

parser = MyHtmlParser()
parser.feed(html)
parser.noImgHtml

真的是你想要的。我试过了，输出是

<p><span>style=font-size: 17px;<span>style=color: #993300;</img><cite>some message I would like to preserve with its formatting</cite></span></span></p>

除了您需要将handle_endtag功能更改为

def handle_endtag(self, tag):
    if tag ！= 'img'
        self.noImgHtml += '</%s>' % tag

排除img的结束标签。

实际上MyHtmlParser().feed(html)只有print结果，它什么都不返回。原因如果print endtag以及handle_endtag和handle_data中的代码内容没有{{1}}，则打印输出中的代码未正确关闭。

如果您正在尝试处理嵌套的div，Alex在这里回答可能会有所帮助。 How can I use the python HTMLParser library to extract data from a specific div tag?

Answer 2

HTMLParser.get_starttag_text（）似乎是重建原始html的票证。这似乎有效：

class MyHtmlParser(HTMLParser):
    '''
    Parse simple url to extract data and image url.
    This is expecting a simple url containing only one data block and one iimage url.
    '''
    def __init__(self):
        HTMLParser.__init__(self)
        self.noImgHtml = ''

    def handle_starttag(self, tag, attrs):
        if tag == 'img':
            for a in attrs:
                if a[0] == 'src':
                    self.imageUrl = a[1]
        else:
            self.noImgHtml += self.get_starttag_text()


    def handle_endtag(self, tag):
        if tag != 'img':
            self.noImgHtml += '</%s>' % tag

    def handle_data(self, data):
        self.noImgHtml += data
        self.text = data

HTMLParser - 仅提取img标记

2 个答案: