今天在寫Discord機器人時需要取得rss feed內容
本來是一帆風順的，結果feed的描述竟然是html標籤，沒有接觸過html的我就研究了一番python內建的剖析器

記下來以免我以後忘了 .w.

建立類別

剖析器需要繼承類別後再修改內部內容
定義好函數後，使用時會自動呼叫函式來處理

1
2
3
4
5
6
7
8
9
10
11
12
13
14
from html.parser import HTMLParser

class MyParser(HTMLParser):
    def __init__(self):
        super().__init__()

    def handle_starttag(self,tag,attr) -> None:
        print(tag)

    def handle_endtag(self,tag) -> None:
        print(tag)

    def handle_data(self,data) -> None:
        print(data)

  • handle_starttag
    當遇到開始的標籤時，會呼叫這個函式來處理
    <a href='https://google.com'>會以handle_starttag('a',[('href','https://google.com')])被呼叫
    簡單來說就是tag儲存標籤名稱，attr以tuple組成清單方式儲存屬性

  • handle_endtag
    跟starttag的功能差不多，只差endtag不會有屬性

  • handle_data
    處理標籤內容，不限格式
    <p>Hello</p>會以handle_data('Hello')被呼叫
    也就是說，可以利用此函式來取出標籤內容
    非常符合我剛好的需求，因為內容都是一堆<p>

這三個函式視需求而定義，若不需要其中一個功能則可省略

應用

接續上一份程式碼

1
2
3
4
5
6
7
#範例內容
content = '<p>Sharkspeare筆記</p><p>記下以免我忘記</p>'

handler = MyParser()

#將內容提交給剖析器
handler.feed(content)

此時剖析器會根據內容而重複呼叫剛剛定義的函式處理
而上一段範例程式碼是呼叫後打印出來，所以會出現

1
2
3
4
5
6
p
Sharkspeare筆記
p
p
記下以免我忘記
p

儲存資料

由於處理資料的函式不會進行任何回傳，所以可以將資料存入物件的其中一個屬性，改寫成:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
class MyParser(HTMLParser):
    def __init__(self):
        super().__init__()
        self.result = "" #初始化用來儲存的變數
    
    #函式處理完之後將結果加到變數
    def handle_starttag(self,tag,attr) -> None:
        self.result += tag

    def handle_endtag(self,tag) -> None:
        self.result += tag

    def handle_data(self,data) -> None:
        self.result += data

最後結果就會留在物件的result屬性裡，可供你進行其他應用