爬取Telegram聊天HTML文件时如何自动补全缺失的用户名

Telegram导出的聊天HTML本身的渲染逻辑就是：同一用户连续发送的多条消息，仅第一条会携带class="from_name"的用户名节点，后续连续消息默认继承前序消息的发送者身份，不会重复生成用户名节点，逐消息独立查找用户名必然出现空值。
修复逻辑很简单：在循环外增加一个变量缓存上一条成功解析到的用户名，当前消息找不到用户名节点时，直接复用缓存值即可。

修改后的完整代码：

messages = doc.select('div.message')

rows = []
# 初始化用户名缓存变量
last_username = None

for message in messages:
    print('---')
    row = {}
    row['id_number'] = message['id']

    # 解析发送时间
    try:
        row['time'] = message.select_one('div[title]').get('title')
    except AttributeError:
        print("Couldn't find the time")
        row['time'] = None

    # 解析用户名，找不到就复用前序缓存
    try:
        current_username = message.select_one('div.from_name').contents[0].strip()
        row['username'] = current_username
        # 成功拿到新用户名就更新缓存
        last_username = current_username
    except AttributeError:
        # 没找到用户名节点时直接用缓存值
        row['username'] = last_username
        print("Couldn't find a name, used previous cached username")

    # 解析消息内容
    try:
        row['text of the message'] = message.select_one('div.text').text.strip()
    except AttributeError:
        print("Couldn't find a text")
        row['text of the message'] = None

    print(row)
    rows.append(row)

# 后续直接用rows生成DataFrame即可
# import pandas as pd
# df = pd.DataFrame(rows)

• 不要把异常捕获写得太宽泛，原来的裸except:会捕获所有异常（包括键盘中断、内存错误这类和解析无关的异常），改成捕获AttributeError即可，精准对应节点不存在时的报错场景。
• 缓存逻辑完全匹配Telegram导出HTML的排版规则，不会出现用户名错配问题：只要DOM里出现新的from_name节点，就代表发送者切换，此时更新缓存就能保证后续同用户连续消息都能匹配到正确用户名。

内容的提问来源于stack exchange，提问作者user19420019