Question

我正在尝试使用HTMLParser打印HTML文档仅的“p”标记中包含的任何内容，而不是其他类型标记中的任何其他内容。

from HTMLParser import HTMLParser

class MyHTMLParser(HTMLParser):
    def handle_starttag(self, tag, attrs):
        if "p" in tag:
            print "Data in <p>:\n"
    def handle_data(self, data):
        print data

parser = MyHTMLParser()
parser.feed('<html><head><h1>The Lorem Ipsum</h1></head>'
            '<body><p>Lorem ipsum dolor sit amet.</p><b>'
            '<h2>Click Next for the next part.</h2><h3>'
            'Coming Soon!</h3><p>Thanks.</p></body></html>')

使用它也会显示标题，这是我不想要的。

但是，当我尝试更改某些内容时，它应该只显示“数据”部分的“p”，“p”标记中不会显示任何内容。

    def handle_data(self, tag, data):
        if "p" in tag:
            print data

我也很困惑，我是如何正确地构建我的代码才能使用它。

Answer 1

您需要跟踪<p>标记的时间：

class MyHTMLParser(HTMLParser):
    __in_p = None

    def handle_starttag(self, tag, attrs):
        if tag == 'p':
            self.__in_p = True
    def handle_endtag(self, tag):
        if tag == 'p':
            self.__in_p = False
    def handle_data(self, data):
        if self.__in_p:
            print("Encountered   some data:", data)

如果代码本身可以嵌套（<p>可以＆{t}，<div>可以），则此代码无法使用。您可以使用BeautifulSoup（pip install beautifulsoup4），lxml.html（lxml）来解析HTML。

Answer 2

由于HTMLParser在单独的事件中显示数据，因此您需要跟踪状态，以便了解要打印的内容。此外，'p' in tag会抓住任何带有＆＃39; p＆＃39;在它，但不是一个大写的P。

from HTMLParser import HTMLParser

class MyHTMLParser(HTMLParser):
    def __init__(self):
        HTMLParser.__init__(self)
        self.last_tag = ''
    def handle_starttag(self, tag, attrs):
        self.last_tag = tag
    def handle_data(self, data):
        if self.last_tag in ('p', 'P'):
            print data

parser = MyHTMLParser()
parser.feed('<html><head><h1>The Lorem Ipsum</h1></head>'
            '<body><p>Lorem ipsum dolor sit amet.</p><b>'
            '<h2>Click Next for the next part.</h2><h3>'
            'Coming Soon!</h3><p>Thanks.</p></body></html>')

仅打印HTML“p”节点

2 个答案: