使用 html.parser (Python) 提取文本/解析文本

Question

我想从 html 文件中提取文本，特别是从 <p> 和 <h1> 标签中提取文本。我确实看到了 python 文档中关于此主题的代码：从 html.parser 导入 HTMLParser

class MyHTMLParser(HTMLParser):
    def handle_starttag(self, tag, attrs):
        print("Encountered a start tag:", tag)

    def handle_endtag(self, tag):
        print("Encountered an end tag :", tag)

    def handle_data(self, data):
        print("Encountered some data  :", data)

parser = MyHTMLParser()
parser.feed('<html><head><title>Test</title></head>'
            '<body><h1>Parse me!</h1></body></html>')

但我不确定如何从这里开始，以便仅提取某些标签内的文本（

和。欢迎任何正确方向的提示和建议！（我不想使用漂亮的汤或任何外部库）

Answer 1

您可以使用此示例来解析来自 <h1> 和 <p> 标签的文本：

from html.parser import HTMLParser

class MyHTMLParser(HTMLParser):

    def __init__(self):
        super().__init__()
        self.data = []
        self.capture = False

    def handle_starttag(self, tag, attrs):
        if tag in ('p', 'h1'):
            self.capture = True

    def handle_endtag(self, tag):
        if tag in ('p', 'h1'):
            self.capture = False

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

parser = MyHTMLParser()
parser.feed('<html><head><title>Test</title></head>'
            '<body><h1>Parse me!</h1><p>This is P tag</p></body></html>')

print(parser.data)

打印：

['Parse me!', 'This is P tag']

使用 html.parser (Python) 提取文本/解析文本

Extracting Text / Parse Text with html.parser (Python)

python

web-crawler

html-parsing