17

我一直在使用 HTML Parser 从网站上抓取数据并在这样做的同时剥离 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 提供了一段代码：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，发现上面写的关于 HTML Parser 代码的错误。

我的第一个错误指向该行：

s.feed(html)

...并且错误说...

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

因此，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。

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

4

1 回答 1

37

你是子类化HTMLParser，但你没有调用它的__init__方法。您需要在方法中添加一行__init__：

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

此外，对于 Python 3，导入行是：

from html.parser import HTMLParser

通过这些更改，一个简单的示例就可以工作了。不要换class行，那不相关。

于 2012-06-16T13:26:17.990 回答