我想从 html 文件中提取文本,特别是从 <p>
中提取文本。和<h1>
标签。
我确实看到了 python 文档中关于这个主题的代码:
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>')
但我不知道如何从这里开始,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!(我不希望使用美丽的汤或任何外部库)
最佳答案
您可以使用此示例如何解析 <h1>
中的文本和<p>
标签:
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']
关于python - 使用 html.parser (Python) 提取文本/解析文本,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/64695883/