代码改变世界

python模块之HTMLParser

2013-07-28 12:31  江湖么名  阅读(519)  评论(0)  编辑  收藏  举报

HTMLParser是python用来解析html的模块。它可以分析出html里面的标签、数据等等，是一种处理html的简便途径。 HTMLParser采用的是一种事件驱动的模式，当HTMLParser找到一个特定的标记时，它会去调用一个用户定义的函数，以此来通知程序处理。它 主要的用户回调函数的命名都是以handler_开头的，都是HTMLParser的成员函数。当我们使用时，就从HTMLParser派生出新的类，然 后重新定义这几个以handler_开头的函数即可。这几个函数包括：

handle_startendtag  处理开始标签和结束标签

handle_starttag     处理开始标签，比如<xx>

handle_endtag       处理结束标签，比如</xx>

handle_charref      处理特殊字符串，就是以&#开头的，一般是内码表示的字符

handle_entityref    处理一些特殊字符，以&开头的，比如 &nbsp;

handle_data         处理数据，就是<xx>data</xx>中间的那些数据

handle_comment      处理注释

handle_decl         处理<!开头的，比如<!DOCTYPE html PUBLIC “-//W3C//DTD HTML 4.01 Transitional//EN”

handle_pi           处理形如<?instruction>的东西

这里我以从网页中获取到url为例，介绍一下。要想获取到url，肯定是要分析<a>标签，然后取到它的href属性的值。下面是代码：

 1 #-*- encoding: gb2312 -*-
 2 import HTMLParser
 3 
 4 class MyParser(HTMLParser.HTMLParser):
 5 def __init__(self):
 6         HTMLParser.HTMLParser.__init__(self)        
 7 
 8 def handle_starttag(self, tag, attrs):
 9 # 这里重新定义了处理开始标签的函数
10 if tag == 'a':
11 # 判断标签<a>的属性
12 for name,value in attrs:
13 if name == 'href':
14 print value
15 
16 
17 if __name__ == '__main__':
18     a = '<html><head><title>test</title><body><a href="http: //www.163.com">链接到163</a></body></html>'
19 
20     my = MyParser()
21 
22 # 传入要分析的数据，���html的。
23     my.feed(a)
如果是python3的，导入为 form html.request import HTMLParser ,具体可以参考http://docs.python.org/library/htmlparser.html
执行结果
http://www.163.com