在 Python 3.2 中使用 HTMLParser

Question

我一直在使用 HTML Parser 从网站上抓取数据并在此过程中剥离 html 编码。我知道各种模块，例如 Beautiful Soup，但决定走不依赖“外部”模块的道路。 Eloff 提供了一个代码：Strip HTML from strings in Python

from HTMLParser import HTMLParser

class MLStripper(HTMLParser):
    def __init__(self):
        self.reset()
        self.fed = []
    def handle_data(self, d):
        self.fed.append(d)
    def get_data(self):
        return ''.join(self.fed)

def strip_tags(html):
    s = MLStripper()
    s.feed(html)
    return s.get_data()

它适用于 Python 3.1。但是，我最近升级到 Python 3.2.x，发现上面写的 HTML Parser 代码出现错误。

我的第一个错误指向该行：

s.feed(html)

...错误提示...

AttributeError: 'MLStripper' object has no attribute 'strict'

所以，经过一番研究，我将“strict=True”添加到顶行，使其...

class MLStripper(HTMLParser, strict=True)

但是，我收到以下新错误：

TypeError: type() takes 1 or 3 arguments

为了看看会发生什么，我删除了“self”参数并留在了“strict=True”...这放弃了错误：

NameError: global name 'self' is not defined

...我得到了“我在猜测”的感觉。

我不知道class MLStripper(HTMLParser) 行中的第三个参数是什么，在self 和strict=True 之后；研究并没有带来任何启示。

Answer 1

您正在继承 HTMLParser，但您没有调用它的 __init__ 方法。您需要在__init__ 方法中添加一行：

def __init__(self):
    super().__init__()
    self.reset()
    self.fed = []

另外，对于 Python 3，导入行是：

from html.parser import HTMLParser

有了这些改变，一个简单的例子就可以工作了。不要更改class 行，这不相关。