Python HTML 解析器

Question

我正在尝试解析一个网站。我使用的是HTMLParser模块。问题是我想在注释：<!-- /topOfPage -->之后解析第一个<a href="">链接，但我不知道该怎么做。所以我在文档中发现有一个叫handle_comment的函数，但我还没弄明白怎么正确使用它。我现在有以下内容：

import HTMLParser

class LinkFinder(HTMLParser.HTMLParser):
def __init__(self, *args, **kwargs):
    # Can't use super() - HTMLParser is an old-style class
    HTMLParser.HTMLParser.__init__(self, *args, **kwargs)
    self.in_linktag = False
    self.url_cache = []
def handle_comment(self,data):
    if data == "topOfPage":
        print data
def handle_starttag(self, tag, attrs):
    if tag == "a" and any("href" == t[0] for t in attrs): # found link
        self.in_linktag = True
        self.url_cache.append([dict(attrs)['href']])
def handle_endtag(self, tag):
    if tag == "a" and self.in_linktag: # ignore '<a name=""...'
        self.in_linktag = False
def handle_data(self, data):
    if self.in_linktag:
        self.url_cache[-1].append(data)
TESTDATA = """
< html>
< body>
< div>
 < ul>
    < !-- /topOfPage --> 
< tr >
    < td class="empty-cell-left">&nbsp;</td>
    < td class="image">


    < a  href="http://test" rel="nofollow">
 < ul>
< /div>
< /body>
 < /html>
"""
def main():
lf = LinkFinder()
lf.feed(TESTDATA)
lf.close()
print lf.url_cache
if __name__ == "__main__":
    main()

该怎么做呢？

Answer 1

handle_comment 函数会返回所有在分隔符之间的数据。

在这个例子中，数据实际上是 " /topOfPage "（注意空格和斜杠）。

你也可以这样做：

def handle_comment(self,data):
    if "topOfPage" in data:
        print data

Answer 2

你需要一个额外的变量来表示解析器刚刚经过了注释，这样你就可以保存后面第一个链接的引用。

def __init__(self, *args, **kwargs):
    # ...
    self.first_link_after_comment = False

然后，当你遇到注释时，那个标志必须被切换。

def handle_comment(self, data):
    if data.strip() == '/topOfPage':
        self.first_link_after_comment = True

当你处理一个开始标签时，如果解析器还没有经过注释，你就要确保它只是简单地跳过这个标签。

def handle_starttag(self, tag, attrs):
    if not self.first_link_after_comment:
        return
    # ...

相反，当你处理结束标签时，你要确认任务已经完成。

def handle_endtag(self, tag):
    if tag == 'a' and self.in_linktag: # ignore '<a name=""...'
        self.in_linktag = False
        self.first_link_after_comment = False

最后，当你添加数据时，要确保这个数据不是一个空字符串或者只包含空格的字符串。

def handle_data(self, data):
    if self.in_linktag and data.strip():
        self.url_cache[-1].append(data)

就这样。

$ your_script.py
[['http://test']]