我正在使用HTMLParser从一个简单的html文本中提取图像URL,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,但在正确的位置关闭标签时遇到困难。这是我尝试过的:
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) 的输出是这样的:
<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>
如您所见(正如我的代码流所期望的那样),标签不会像在原始 html 中那样关闭(例如 span>)。
这可以使用 HTMLParser 轻松完成吗,或者我应该求助于 RE 来提取图像标签(这似乎不是很优雅)?
我不能使用外部模块来做到这一点,所以需要使用HTMLParser提供的东西。
提前感谢,弗兰克
事实上,你的代码正在工作,你可以使用
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
函数更改为
def handle_endtag(self, tag):
if tag != 'img'
self.noImgHtml += '</%s>' % tag
以排除 img
的结束标记。
事实上,MyHtmlParser().feed(html)
只print
结果,它什么也不返回。原因标签在打印输出中未正确关闭是因为您没有print
endtag
和标签的内容handle_endtag
和handle_data
。
如果您正在尝试处理嵌套的div,Alex 在这里的回答可能会有所帮助。如何使用python HTMLParser库从特定的div标签中提取数据?.
HTMLParser.get_starttag_text() 似乎是重建原始 html 的门票。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