HTMLParser - 只提取 img 标签答案

【问题标题】：HTMLParser - only extract img tagHTMLParser - 只提取 img 标签
【发布时间】：2013-11-25 10:56:42
【问题描述】：

我正在使用 HTMLParser 从简单的 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（正如我的代码流所预期的那样），标签并没有像在原始 html 中那样关闭（例如 span>）。

这可以用 HTMLParser 轻松完成，还是我应该求助于 RE 来提取图像标签（这看起来不太优雅）？

我不能使用外部模块来执行此操作，因此需要使用 HTMLParser 提供的功能。

提前致谢，坦率的

【问题讨论】：

标签： python html

【解决方案1】：

其实你的代码是可以工作的，你可以使用

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

真的是你想要的。我试了一下，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>

除了需要把handle_endtag函数改成

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) 只是print 结果，它什么也不返回。原因标签在打印输出中没有正确关闭是你没有print 和endtag 以及handle_endtag 和handle_data 中的标签内容。

如果您正在尝试处理嵌套 div，Alex 在这里的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? .

【讨论】：

谢谢，但这仍然不会使标签的属性格式正确，对吧？我只是偶然发现了 HTMLParser.get_starttag_text() 这似乎是我重建原始 html 所需要的
我看到这里的问题，你也可以调整handle_starttag方法，在else部分，先添加<tag，然后添加attrs，然后关闭>。跨度>
但显然应该使用get_starttag_text，因为我们不需要重新发明轮子。

【解决方案2】：

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

【讨论】：