python模块之HTMLParser

来源：互联网发布：linux ps 命令详解编辑：程序博客网时间：2024/05/21 09:25

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  
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

常见的函数

handle_starttag( tag, attrs)
handle_startendtag( tag, attrs)
handle_endtag( tag)

来实现自己需要的功能。

tag是的html标签，attrs是 (属性，值)元组(tuple)的列表(list).
HTMLParser自动将tag和attrs都转为小写。

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：

#-*- encoding: gb2312 -*-import HTMLParserclass MyParser(HTMLParser.HTMLParser):    def __init__(self):        HTMLParser.HTMLParser.__init__(self)                    def handle_starttag(self, tag, attrs):        # 这里重新定义了处理开始标签的函数        if tag == 'a':            # 判断标签<a>的属性            for name,value in attrs:                if name == 'href':                    print value        if __name__ == '__main__':    a = '<html><head><title>test</title><body><a href="http://www.163.com">链接到163</a></body></html>'        my = MyParser()    # 传入要分析的数据，是html的。    my.feed(a)

下面给出的例子抽取了html中的所有链接：

from HTMLParser import HTMLParser class MyHTMLParser(HTMLParser):    def __init__(self):        HTMLParser.__init__(self)        self.links = []     def handle_starttag(self, tag, attrs):        #print "Encountered the beginning of a %s tag" % tag        if tag == "a":            if len(attrs) == 0: pass            else:                for (variable, value)  in attrs:                    if variable == "href":                        self.links.append(value) if __name__ == "__main__":    html_code = """    <a href="www.google.com"> google.com</a>    <A Href="www.pythonclub.org"> PythonClub </a>    <A HREF = "www.sina.com.cn"> Sina </a>    """    hp = MyHTMLParser()    hp.feed(html_code)    hp.close()    print(hp.links)

输出为：

['www.google.com', 'www.pythonclub.org', 'www.sina.com.cn']

如果想抽取图形链接

<img src='http://www.google.com/intl/zh-CN_ALL/images/logo.gif' />

就要重定义 handle_startendtag( tag, attrs) 函数

详见官方文档：http://docs.python.org/2/library/htmlparser.html

官网例子：

from HTMLParser import HTMLParserfrom htmlentitydefs import name2codepointclass MyHTMLParser(HTMLParser):    def handle_starttag(self, tag, attrs):        print "Start tag:", tag        for attr in attrs:            print "     attr:", attr    def handle_endtag(self, tag):        print "End tag  :", tag    def handle_data(self, data):        print "Data     :", data    def handle_comment(self, data):        print "Comment  :", data    def handle_entityref(self, name):        c = unichr(name2codepoint[name])        print "Named ent:", c    def handle_charref(self, name):        if name.startswith('x'):            c = unichr(int(name[1:], 16))        else:            c = unichr(int(name))        print "Num ent  :", c    def handle_decl(self, data):        print "Decl     :", dataparser = MyHTMLParser()

还可参考http://www.cnblogs.com/rollenholt/archive/2011/12/01/2271058.html 源码
转自：http://blog.csdn.net/zhaoweikid/article/details/1649997

http://andylin02.iteye.com/blog/908170