子类化 beautifulsoup html 解析器，出现类型错误

Question

我最近使用 beautifulsoup 很棒的 html 解析器编写了一个小包装器，

最近我尝试改进代码并使所有 beautifulsoup 方法直接在包装器类中可用（而不是通过类属性），我认为子类化 beautifulsoup 解析器将是实现的最佳方法这。

这是类：

class ScrapeInputError(Exception):pass
from BeautifulSoup import BeautifulSoup

class Scrape(BeautifulSoup):
    """base class to be subclassed
    basically a subclassed BeautifulSoup wrapper that providers
    basic url fetching with urllib2
    and the basic html parsing with beautifulsoup
    and some basic cleaning of head,scripts etc'"""

    def __init__(self,file):
        self._file = file
        #very basic input validation
        import re
        if not re.search(r"^http://",self._file):
            raise ScrapeInputError,"please enter a url that starts with http://"

        import urllib2
        #from BeautifulSoup import BeautifulSoup
        self._page = urllib2.urlopen(self._file) #fetching the page
        BeautifulSoup.__init__(self,self._page)
        #self._soup = BeautifulSoup(self._page) #calling the html parser

这样我就可以启动类

x = Scrape("http://someurl.com")

，并能够使用 x.elem 或 x.find 遍历树，

这对于一些 beautifulsoup 方法（见上文）非常有效，但对于其他方法则失败 - 那些使用像这样的迭代器的方法“for e in x:”

错误消息：

 Traceback (most recent call last):
  File "<pyshell#86>", line 2, in <module>
    print e
  File "C:\Python27\lib\idlelib\rpc.py", line 595, in __call__
    value = self.sockio.remotecall(self.oid, self.name, args, kwargs)
  File "C:\Python27\lib\idlelib\rpc.py", line 210, in remotecall
    seq = self.asynccall(oid, methodname, args, kwargs)
  File "C:\Python27\lib\idlelib\rpc.py", line 225, in asynccall
    self.putmessage((seq, request))
  File "C:\Python27\lib\idlelib\rpc.py", line 324, in putmessage
    s = pickle.dumps(message)
  File "C:\Python27\lib\copy_reg.py", line 77, in _reduce_ex
    raise TypeError("a class that defines __slots__ without "
TypeError: a class that defines __slots__ without defining __getstate__ cannot be pickled

我研究了错误消息，但找不到任何可以使用的东西 - 因为我不想玩 BeautifulSoup 的内部植入（老实说，我不知道或理解__slot__ 或 __getstate__..) 我只想使用该功能。

我尝试从类的 __init__ 返回一个 beautifulsoup 对象，而不是子类化，但 __init__ 方法返回 None

很高兴在这里获得任何帮助。

Answer 1

BeautifulSoup 代码中没有发生该错误。相反，您的 IDLE 无法检索和打印该对象。尝试使用 print str(e) 代替。

---

无论如何，在您的情况下子类化 BeautifulSoup 可能不是最好的主意。您真的想继承所有解析方法（例如 convert_charref、handle_pi 或 error）吗？更糟糕的是，如果您覆盖 BeautifulSoup 使用的某些内容，它可能会以难以发现的方式损坏。

我不知道你的情况，但我建议优先选择组合而不是继承（即在属性中有一个 BeautifulSoup 对象）。您可以轻松地（如果以一种稍微有点hacky的方式）公开像这样的特定方法：

class Scrape(object):
    def __init__(self, ...):
        self.soup = ...
        ...
        self.find = self.soup.find