在 Python 3.2 中使用 HTMLParser

我一直在使用 HTML 解析器从网站中抓取数据并剥离 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：在 Python 中从字符串中去除 HTML https://stackoverflow.com/a/925630/3416774

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。然而，我最近升级到 Python 3.2.x，发现我遇到了有关上面编写的 HTML 解析器代码的错误。

我的第一个错误指向这一行：

s.feed(html)

...错误说...

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

因此，经过一番研究后，我将“strict=True”添加到顶行，使其......

class MLStripper(HTMLParser, strict=True)

但是，我收到新的错误：

TypeError: type() takes 1 or 3 arguments

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

NameError: global name 'self' is not defined

……我有一种“我在猜测”的感觉。

我不知道第三个参数是什么class MLStripper(HTMLParser)线将是，之后self and strict=True;研究并没有带来任何启示。

你正在子类化HTMLParser，但你没有调用它__init__方法。您需要在您的__init__ method:

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

另外，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。不要改变class线，这不相关。