如果我們要編寫一個(gè)搜索引擎，第一步是用爬蟲把目標(biāo)網(wǎng)站的頁(yè)面抓下來(lái)，第二步就是解析該HTML頁(yè)面，看看里面的內(nèi)容到底是新聞、圖片還是視頻。

假設(shè)第一步已經(jīng)完成了，第二步應(yīng)該如何解析HTML呢？

HTML本質(zhì)上是XML的子集，但是HTML的語(yǔ)法沒有XML那么嚴(yán)格，所以不能用標(biāo)準(zhǔn)的DOM或SAX來(lái)解析HTML。

好在Python提供了HTMLParser來(lái)非常方便地解析HTML，只需簡(jiǎn)單幾行代碼：

from HTMLParser import HTMLParser

from htmlentitydefs import name2codepoint

class MyHTMLParser(HTMLParser):

def handle_starttag(self, tag, attrs):

print('' % tag)

def handle_endtag(self, tag):

print('%s>' % tag)

def handle_startendtag(self, tag, attrs):

print('' % 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('

Some html tutorial...
END

')

feed()方法可以多次調(diào)用，也就是不一定一次把整個(gè)HTML字符串都塞進(jìn)去，可以一部分一部分塞進(jìn)去。

特殊字符有兩種，一種是英文表示的?，一種是數(shù)字表示的?，這兩種字符都可以通過(guò)Parser解析出來(lái)。

小結(jié)

找一個(gè)網(wǎng)頁(yè)，例如https://www.python.org/events/python-events/，用瀏覽器查看源碼并復(fù)制，然后嘗試解析一下HTML，輸出Python官網(wǎng)發(fā)布的會(huì)議時(shí)間、名稱和地點(diǎn)。

總結(jié)

以上是生活随笔為你收集整理的python中html.parser_在Python中使用HTMLParser解析HTML的教程的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。