Abandonner le traitement HTMLParser en Python

Question

Lors de l'utilisation de la classe HTMLParser en Python, est-il possible d'abandonner le traitement dans une fonction handle_*? Au début du traitement, j'obtiens toutes les données dont j'ai besoin, ce qui me semble une perte de continuer à traiter. Voici un exemple d'extraction de la description de méta pour un document.

from HTMLParser import HTMLParser 

class MyParser(HTMLParser): 

    def handle_start(self, tag, attrs): 
     in_meta = False 
     if tag == 'meta': 
      for attr in attrs: 
       if attr[0].lower() == 'name' and attr[1].lower() == 'description': 
        in_meta = True 
       if attr[0].lower() == 'content': 
        print(attr[1]) 
        # Would like to tell the parser to stop now, 
        # since I have all the data that I need 

Answer 1

Vous pouvez soulever une exception et envelopper votre .feed() appel dans un bloc try.

Vous pouvez également appeler self.reset() lorsque vous décidez que vous avez terminé (je ne l'ai pas vraiment essayé, mais selon documentation « Réinitialiser l'instance Perd toutes les données non traitées. »., - ce qui est précisément ce dont vous avez besoin).

Answer 2

Si vous utilisez la méthode scanString de pyparsing, vous avez plus de contrôle sur la longueur de la chaîne d'entrée. Dans notre exemple, nous créons une expression qui correspond à une balise <meta> et ajoute une action d'analyse qui garantit que nous ne faisons correspondre la balise qu'avec name="description". Ce code suppose que vous avez lu de code HTML dans la variable htmlsrc la page: L'extension sur @ réponse de shylent, voici ma solution

from pyparsing import makeHTMLTags, withAttribute 

# makeHTMLTags creates both open and closing tags, only care about the open tag 
metaTag = makeHTMLTags("meta")[0] 
metaTag.setParseAction(withAttribute(name="description")) 

try: 
    # scanString is a generator that returns each match as it is found 
    # in the input 
    tokens,startloc,endloc = metaTag.scanString(htmlsrc).next() 

    # attributes can be accessed like object attributes if they are 
    # valid Python names 
    print tokens.content 

    # if the attribute name clashes with a Python keyword, or is 
    # otherwise unsuitable as an identifier, use dict-like access instead 
    print tokens["content"] 

except StopIteration: 
    print "no matching meta tag found" 

Answer 3

:

class MyParser(HTMLParser): 

    boolean_flag = False 

    def handle_starttag(self, tag, attrs): 
     # for example: 
     self.boolean_flag = (tag == "sometag" and ("id", "someid") in attrs) 

    def handle_endtag(self, tag): 
     pass 

    def handle_data(self, data): 
     if self.boolean_flag: 
      raise DataParsedException(data) 


class DataParsedException(Exception): 
    def __init__(self, data): 
     self.data = data 

Utilisation:

try: 
    parser.feed(html.decode()) 
except DataParsedException as dataParsed: 
    vars.append(dataParsed.data) 

Il ne le travail.