Python解析未知深度HTML：避免嵌套循环及获取标签行号

1. 指定文件路径读取并解析标签 #

xml.etree.ElementTree对非标准HTML兼容性有限，推荐使用Python标准库的html.parser模块处理——它能兼容HTML常见的非闭合标签、属性引号缺失等问题。以下是基础实现思路：

from html.parser import HTMLParser
import os

# 自定义解析器类，继承HTMLParser
class TagCounterParser(HTMLParser):
    def __init__(self):
        super().__init__()
        # 存储统计结果：键为标签名，值为(出现次数, 行号列表)
        self.tag_stats = {}

    # 处理每个起始标签
    def handle_starttag(self, tag, attrs):
        # 获取当前标签的行号
        line_no = self.getpos()[0]
        # 更新统计数据
        if tag not in self.tag_stats:
            self.tag_stats[tag] = (0, [])
        count, line_list = self.tag_stats[tag]
        self.tag_stats[tag] = (count + 1, line_list + [line_no])

# 读取并解析指定路径的HTML文件
def parse_html_file(file_path):
    if not os.path.isfile(file_path):
        raise FileNotFoundError(f"文件不存在：{file_path}")
    with open(file_path, 'r', encoding='utf-8') as f:
        html_content = f.read()
    parser = TagCounterParser()
    parser.feed(html_content)
    return parser.tag_stats

2. 递归处理未知嵌套深度 #

HTMLParser内部会自动遍历整个DOM结构，无论标签嵌套深度如何，无需手动写多层循环。如果一定要用显式递归（比如处理XML合规的HTML），可基于ElementTree实现：

import xml.etree.ElementTree as ET

# 递归遍历元素并统计
def recursive_tag_count(element, tag_stats):
    # 统计当前标签
    tag = element.tag
    line_no = element.sourceline  # 获取行号（需解析时保留位置信息）
    if tag not in tag_stats:
        tag_stats[tag] = (0, [])
    count, line_list = tag_stats[tag]
    tag_stats[tag] = (count + 1, line_list + [line_no])
    # 递归处理子元素
    for child in element:
        recursive_tag_count(child, tag_stats)

# 基于ElementTree的解析方法（仅支持XML合规的HTML）
def parse_with_elementtree(file_path):
    # 解析时保留位置信息
    parser = ET.XMLParser(target=ET.TreeBuilder(insert_comments=True))
    tree = ET.parse(file_path, parser=parser)
    root = tree.getroot()
    tag_stats = {}
    recursive_tag_count(root, tag_stats)
    return tag_stats

注意：显式递归仅适用于严格符合XML规范的HTML，实际场景更推荐用HTMLParser。

3. 获取标签行号 #

• 用HTMLParser时：直接调用self.getpos()[0]即可获取当前标签的起始行号，该方法返回元组(行号, 列号)。
• 用ElementTree时：需在解析时指定XMLParser的target为带位置记录的TreeBuilder，之后通过元素的sourceline属性获取行号，但此方法对非标准HTML支持差。

完整使用示例 #

if __name__ == "__main__":
    target_file = "./your_html_file.html"  # 替换为你的文件路径
    try:
        stats = parse_html_file(target_file)
        # 打印统计结果
        print("标签统计详情：")
        for tag, (count, lines) in sorted(stats.items()):
            print(f"{tag}: 出现{count}次，行号：{', '.join(map(str, lines))}")
    except Exception as e:
        print(f"处理出错：{str(e)}")

内容的提问来源于stack exchange，提问作者user3084383