在Python中使用HTMLParser解析HTML的教程_Python

在Python中使用HTMLParser解析HTML的教程

2020-06-16 09:54廖雪峰 Python

这篇文章主要介绍了在Python中使用HTMLParser解析HTML的教程,尤其是在用Python制作爬虫程序的时候经常可以用到,需要的朋友可以参考下

如果我们要编写一个搜索引擎，第一步是用爬虫把目标网站的页面抓下来，第二步就是解析该HTML页面，看看里面的内容到底是新闻、图片还是视频。

假设第一步已经完成了，第二步应该如何解析HTML呢？

HTML本质上是XML的子集，但是HTML的语法没有XML那么严格，所以不能用标准的DOM或SAX来解析HTML。

好在Python提供了HTMLParser来非常方便地解析HTML，只需简单几行代码：

									from HTMLParser import HTMLParser

									from htmlentitydefs import name2codepoint

									class MyHTMLParser(HTMLParser):

									  def handle_starttag(self, tag, attrs):

									    print('<%s>' % tag)

									  def handle_endtag(self, tag):

									    print('</%s>' % tag)

									  def handle_startendtag(self, tag, attrs):

									    print('<%s/>' % tag)

									  def handle_data(self, data):

									    print('data')

									  def handle_comment(self, data):

									    print('<!-- -->')

									  def handle_entityref(self, name):

									    print('&%s;' % name)

									  def handle_charref(self, name):

									    print('&#%s;' % name)

									parser = MyHTMLParser()

									parser.feed('<html><head></head><body><p>Some <a href=\"#\">html</a> tutorial...<br>END</p></body></html>')