Mengekstrak Teks daripada Kandungan HTML dalam Python: Penyelesaian Mudah dengan `HTMLParser`

pengenalan

Apabila bekerja dengan data HTML, anda selalunya perlu membersihkan teg dan mengekalkan teks biasa sahaja. Sama ada untuk analisis data, automasi atau sekadar menjadikan kandungan boleh dibaca, tugas ini adalah perkara biasa bagi pembangun.

Dalam artikel ini, saya akan menunjukkan kepada anda cara membuat kelas Python mudah untuk mengekstrak teks biasa daripada HTML menggunakan HTMLParser, modul Python terbina dalam.

---

Mengapa Menggunakan HTMLParser?

HTMLParser ialah modul Python yang ringan dan terbina dalam yang membolehkan anda menghuraikan dan memanipulasi dokumen HTML. Tidak seperti perpustakaan luaran seperti BeautifulSoup, ia ringan dan sesuai untuk tugas mudah seperti pembersihan tag HTML.

---

Penyelesaian: Kelas Python Mudah

Langkah 1: Buat Kelas HTMLTextExtractor

from html.parser import HTMLParser

class HTMLTextExtractor(HTMLParser):
    """Class for extracting plain text from HTML content."""

    def __init__(self):
        super().__init__()
        self.text = []

    def handle_data(self, data):
        self.text.append(data.strip())

    def get_text(self):
        return ''.join(self.text)

---

Kelas ini melakukan tiga perkara utama:

1. Memulakan senarai self.text untuk menyimpan teks yang diekstrak.
2. Menggunakan kaedah handle_data untuk menangkap semua teks biasa yang ditemui antara teg HTML.
3. Menggabungkan semua serpihan teks dengan kaedah get_text.

---

Langkah 2: Gunakan Kelas untuk Mengekstrak Teks

Berikut ialah cara anda boleh menggunakan kelas untuk membersihkan HTML:

raw_description = """
<div>
    <h1 id="Welcome-to-our-website">Welcome to our website!</h1>
    <p>We offer <strong>exceptional services</strong> for our customers.</p>
    <p>Contact us at: <a href="mailto:contact@example.com">contact@example.com</a></p>
</div>
"""

extractor = HTMLTextExtractor()
extractor.feed(raw_description)
description = extractor.get_text()

print(description)

Output:

Welcome to our website! We offer exceptional services for our customers.Contact us at: contact@example.com

---

Menambah Sokongan untuk Atribut

Jika anda ingin menangkap maklumat tambahan, seperti pautan dalam teg, berikut ialah versi kelas yang dipertingkatkan:

class HTMLTextExtractor(HTMLParser):
    """Class for extracting plain text and links from HTML content."""

    def __init__(self):
        super().__init__()
        self.text = []

    def handle_data(self, data):
        self.text.append(data.strip())

    def handle_starttag(self, tag, attrs):
        if tag == 'a':
            for attr, value in attrs:
                if attr == 'href':
                    self.text.append(f" (link: {value})")

    def get_text(self):
        return ''.join(self.text)

Output Dipertingkat:

Welcome to our website!We offer exceptional services for our customers.Contact us at: contact@example.com (link: mailto:contact@example.com)

---

## Use Cases

- **SEO**: Clean HTML tags to analyze the plain text content of a webpage.
- **Emails**: Transform HTML emails into plain text for basic email clients.
- **Scraping**: Extract important data from web pages for analysis or storage.
- **Automated Reports**: Simplify API responses containing HTML into readable text.

---

Kelebihan Pendekatan Ini

• Ringan: Tidak memerlukan perpustakaan luaran; ia dibina pada HTMLParser asli Python.
• Kemudahan Penggunaan: Merangkumkan logik dalam kelas yang mudah dan boleh digunakan semula.
• Boleh disesuaikan: Lanjutkan fungsi dengan mudah untuk menangkap maklumat khusus seperti atribut atau data teg tambahan.

---

## Limitations and Alternatives

While `HTMLParser` is simple and efficient, it has some limitations:

- **Complex HTML**: It may struggle with very complex or poorly formatted HTML documents.
- **Limited Features**: It doesn't provide advanced parsing features like CSS selectors or DOM tree manipulation.

### Alternatives

If you need more robust features, consider using these libraries:

- **BeautifulSoup**: Excellent for complex HTML parsing and manipulation.
- **lxml**: Known for its speed and support for both XML and HTML parsing.

---

Kesimpulan

Dengan penyelesaian ini, anda boleh mengekstrak teks biasa dengan mudah daripada HTML hanya dalam beberapa baris kod. Sama ada anda sedang mengerjakan projek peribadi atau tugas profesional, pendekatan ini sesuai untuk pembersihan dan analisis HTML yang ringan.

Jika kes penggunaan anda melibatkan HTML yang lebih kompleks atau cacat, pertimbangkan untuk menggunakan perpustakaan seperti BeautifulSoup atau lxml untuk kefungsian yang dipertingkatkan.

Jangan ragu untuk mencuba kod ini dalam projek anda dan berkongsi pengalaman anda. Selamat mengekod! ?

Atas ialah kandungan terperinci Mengekstrak Teks daripada Kandungan HTML dalam Python: Penyelesaian Mudah dengan `HTMLParser`. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!