如何使用 python HTMLParser 库从特定的 div 标签中提取数据？

Question

我正在尝试使用 python HTMLParser 库从 HTML 页面中获取值。我想要获取的值在这个 html 元素中：

...
<div id="remository">20</div>
...

到目前为止，这是我的 HTMLParser 类：

class LinksParser(HTMLParser.HTMLParser):
  def __init__(self):
    HTMLParser.HTMLParser.__init__(self)
    self.seen = {}

  def handle_starttag(self, tag, attributes):
    if tag != 'div': return
    for name, value in attributes:
    if name == 'id' and value == 'remository':
      #print value
      return

  def handle_data(self, data):
    print data


p = LinksParser()
f = urllib.urlopen("http://domain.com/somepage.html")
html = f.read()
p.feed(html)
p.close()

有人能指出我正确的方向吗？我希望类功能获得值 20。

Answer 1

这很好用：

print (soup.find('the tag').text)

Answer 2

你试过BeautifulSoup 吗？

from bs4 import BeautifulSoup
soup = BeautifulSoup('<div id="remository">20</div>')
tag=soup.div
print(tag.string)

这会在输出时为您提供20。

Answer 3

第 3 行的小修正

HTMLParser.HTMLParser.__init__(self)

应该是

HTMLParser.__init__(self)

以下内容对我有用

import urllib2 

from HTMLParser import HTMLParser  

class MyHTMLParser(HTMLParser):

  def __init__(self):
    HTMLParser.__init__(self)
    self.recording = 0 
    self.data = []
  def handle_starttag(self, tag, attrs):
    if tag == 'required_tag':
      for name, value in attrs:
        if name == 'somename' and value == 'somevale':
          print name, value
          print "Encountered the beginning of a %s tag" % tag 
          self.recording = 1 


  def handle_endtag(self, tag):
    if tag == 'required_tag':
      self.recording -=1 
      print "Encountered the end of a %s tag" % tag 

  def handle_data(self, data):
    if self.recording:
      self.data.append(data)

 p = MyHTMLParser()
 f = urllib2.urlopen('http://www.someurl.com')
 html = f.read()
 p.feed(html)
 print p.data
 p.close()

`

Answer 4

class LinksParser(HTMLParser.HTMLParser):
  def __init__(self):
    HTMLParser.HTMLParser.__init__(self)
    self.recording = 0
    self.data = []

  def handle_starttag(self, tag, attributes):
    if tag != 'div':
      return
    if self.recording:
      self.recording += 1
      return
    for name, value in attributes:
      if name == 'id' and value == 'remository':
        break
    else:
      return
    self.recording = 1

  def handle_endtag(self, tag):
    if tag == 'div' and self.recording:
      self.recording -= 1

  def handle_data(self, data):
    if self.recording:
      self.data.append(data)

self.recording 从“触发”标签开始计算嵌套的 div 标签的数量。当我们在以触发标签为根的子树中时，我们将数据累积在self.data中。

解析结束时的数据留在self.data 中（字符串列表，如果没有遇到触发标记，可能为空）。您来自类外部的代码可以在解析结束时直接从实例访问列表，或者您可以为此目的添加适当的访问器方法，具体取决于您的目标。

通过使用'div'、'id' 和'remository'，实例属性self.tag、@987654330 来代替上面代码中看到的常量文字字符串，可以轻松地使该类更通用@ 和 self.attvalue，由 __init__ 从传递给它的参数中设置——我避免在上面的代码中进行廉价的泛化步骤以避免混淆核心点（跟踪嵌套标签的计数并将数据累积到列表中）录制状态为激活状态）。