python模块之HTMLParser简介
html.parser是一个非常简单和实用的库，它的核心是HTMLParser类。
工作的流程是：当你feed给它一个类似HTML格式的字符串时，它会调用goahead方法向前迭代各个标签，并调用对应的parse_xxxx方法提取start_tag, tag, attrs data comment和end_tag等等标签信息和数据，然后调用对应的方法对这些抽取出来的内容进行处理。整个HTMLParser的大致结构如下图所示：
可以发现，处理开始标签（handle_starttag）、结束标签(handle_endtag）和处理数据（handle_data）等处理函数在HTMLParser里是没有实现的（pass），这需要我们继承HTMLParser这个类的并覆盖这些方法。详细可以参阅python文档，https://docs.python.org/3/library/html.parser.html?highlight=htmlparser
一、常用方法介绍
l feed(data)：主要用于接受带html标签的str，当调用这个方法时并提供相应的data时，整个实例（instance）开始执行，结束执行close()。
l handle_starttag(tag, attrs): 这个方法接收Parse_starttag返回的tag和attrs，并进行处理，处理方式通常由使用者进行覆盖，本身为空。
例如，连接的start tag是<a>，那么对应的参数tag＝’a’（小写)。attrs是start tag <>中的属性，以元组形式（name, value）返回（所有这些内容都是小写）。
例如，对于<A HREF="http://www.baidu.com“>，那么内部调用形式为：handle_starttag（’a’,[(‘href’,’http://www.baidu.com)]）.
l handle_endtag(tag)：跟上述一样，只是处理的是结束标签，也就是以</开头的标签。
l handle_data(data)：处理的是网页的数据，也就是开始标签和结束标签之间的内容。例如：<script>...</script>的省略号内容
l handle_comment(data) ，处理注释，<!-- -->之间的文本
l reset()：将实例重置，包括作为参数输入的数据进行清空。
二、基本使用
from html.parser import HTMLParser class MyHTMLParser(HTMLParser): def handle_starttag(self, tag, attrs): """ recognize start tag, like <div> :param tag: :param attrs: :return: """ print("Encountered a start tag:", tag) def handle_endtag(self, tag): """ recognize end tag, like </div> :param tag: :return: """ print("Encountered an end tag :", tag) def handle_data(self, data): """ recognize data, html content string :param data: :return: """ print("Encountered some data :", data) def handle_startendtag(self, tag, attrs): """ recognize tag that without endtag, like <img /> :param tag: :param attrs: :return: """ print("Encountered startendtag :", tag) def handle_comment(self,data): """ :param data: :return: """ print("Encountered comment :", data) parser = MyHTMLParser() parser.feed('<html><head><title>Test</title></head>' '<body><h1>Parse me!</h1><img src = "" />' '<!-- comment --></body></html>')
以上是根据python手册写的基本使用，解析了一个简单的html。可以运行看看，主要用于了解各个函数负责解析的部分，以及解析顺序
Encountered a start tag: html Encountered a start tag: head Encountered a start tag: title Encountered some data : Test Encountered an end tag : title Encountered an end tag : head Encountered a start tag: body Encountered a start tag: h1 Encountered some data : Parse me! Encountered an end tag : h1 Encountered startendtag : img Encountered comment : comment Encountered an end tag : body Encountered an end tag : html
三、实用案例
以下的实用案例均在上面的代码中修改对应函数，每个实例都是单独的。
解析的html如下
<html>
<head>
<title>Test</title>
</head>
<body>
<h1>Parse me!</h1>
<img src = "" />
<p class='123'>A paragraph.</p>
<p class = "p_font">A paragraph with class.</p>
<!-- comment -->
<div>
<p>A paragraph in div.</p>
</div>
</body>
</html>
1.获取所有p标签的文本，最简单方法只修改handle_data
def handle_data(self, data): if self.lasttag == 'p': print("Encountered p data :", data)
2.获取css样式（class）为p_font的p标签的文本，使用了案例1，增加一个实例属性作为标志，选取需要的标签
def __init__(self): HTMLParser.__init__(self) self.flag = False def handle_starttag(self, tag, attrs): for attr in attrs: if tag == 'p' and attr[1]=='"p_font": self.flag = True def handle_data(self, data): if self.flag == True: print("Encountered p data :", data)
3.获取p标签的属性列表
def handle_starttag(self, tag, attrs): if tag == 'p': print("Encountered p attrs :", attrs)
4.获取p标签的class属性
def handle_starttag(self, tag, attrs): for attr in attrs: If tag == 'p' and attr[0]= 'class'): print("Encountered p class :", attr[1])
5.获取div下的p标签的文本
def __init__(self): HTMLParser.__init__(self) self.in_div = False def handle_starttag(self, tag, attrs): if tag == 'div': self.in_div = True def handle_data(self, data): if self.in_div == True and self.lasttag == 'p': print("Encountered p data :", data) self.in_div = False
6.处理注释中的标签，若需要的数据在注释中，使用一般函数解析不到
处理方法为，写两个类，继承HTMLParser。在其中一个类的handle_comment里实例化解析类，和其他标签一样解析
def __init__(self): HTMLParser.__init__(self) def handle_comment(self,data): print(("Encountered comment:",data)
完整实例
例如：我们有以下一堆带HTML标签的数据
html = '''<h3 class="tb-main-title" data-title="Xiaomi/小米"> 【金冠现货/全色/顶配版】Xiaomi/小米 小米note移动联通4G手机 </h3> <p class="tb-subtitle"> 【购机即送布丁套+高清贴膜+线控耳机+剪卡器+电影支架等等,套餐更多豪礼更优惠】 </p> <div id="J_TEditItem" class="tb-editor-menu"></div> </div> <h3 class="tb-main-title" data-title="MIUI/小米"> 【现货增强/标准】MIUI/小米 红米手机2红米2移动联通电信4G双卡 </h3> <p class="tb-subtitle"> [红米手机2代颜色版本较多,请亲们阅读购买说明按需选购---感谢光临] <div id="J_TEditItem" class="tb-editor-menu"></div> </div>'''
很明显，这里面包含了两台手机，我们的目标是提取两个手机的名字出来。
由于当我们feed这个html到HTMLParser中后，他们所有的标签都迭代，如果需要它只提取我们需要的数据时，我们需要设置当handle_starttag遇到那个标签和属性时，才调用handle_data并print出我们的结果，这个时候我们可以使用一个flag作为判定，代码如下：
#定义一个MyParser继承自HTMLParser class MyParser(HTMLParser): re=[]#放置结果 flag=0#标志，用以标记是否找到我们需要的标签 def handle_starttag(self, tag, attrs): if tag=='p':#目标标签 for attr in attrs: if attr[0]=='class' and attr[1]=='tb-subtitle':#目标标签具有的属性 self.flag=1#符合条件则将标志设置为1 break else: pass def handle_data(self, data): if self.flag==1: self.re.append(data.strip())#如果标志为我们设置的，则将数据添加到列表中 self.flag=0#重置标志，进行下次迭代 else: pass my=MyParser() my.feed(html) my.re
运行结果如下，达到了我们的预期：
['【购机即送布丁套+高清贴膜+线控耳机+剪卡器+电影支架等等,套餐更多豪礼更优惠】',
'[红米手机2代颜色版本较多,请亲们阅读购买说明按需选购---感谢光临]']
