HTMLParser介绍

使用时需要新建一个继承自HTMLParser的类

一个完整的类块如下：

class MyHTMLParser(HTMLParser):    def __init__(self):           HTMLParser.__init__(self)     #需要实现以下方法(可选)    #tag是html标签，attrs是(variable,value)的元组的列表    #处理开始结束标签，如<img  />    def handle_startendtag(self,tag,attrs):        pass    #处理开始标签    def handle_starttag(self,tag,attrs):        pass    #处理结束标签，如</XX>    def handle_endtag(self,tag):        pass    #处理特殊字符，以&#开头的，一般为内码表示的字符    def handle_charref(self,name):        pass    #处理一些特殊的字符，以&开头的    def handle_entityref(self,name):        pass    #处理数据，<XX>data<XX>    def handle_data(self,data):        pass    #处理注释    def handle_comment(self,data):        pass    #处理以 <! 开头的    def handle_decl():        pass    #处理形如<?instruction>的东西    def handle_pi():        pass

一些例子:

from html.parser 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) 

运行结果：[‘www.google.com’, ‘www.pythonclub.org’, ‘www.sina.com.cn’]

from html.parser import HTMLParser  page ='''''<sada>啊啊啊</sada><a href="http://click.union.360buy.com/JdClick /?unionId=75" class="f1"  style="padding-left:13px; padding-right:14px">京东商城</a></td><td><a href="http://www.letao.com /?source=hao123" class="f1">乐淘网上鞋城</a></td><td><a href="http://www.lashou.com/cl_today/w_3001" class="f2">拉手团购</a></td><td><a href="http://www.amazon.cn/?tag=2009hao123famousdaohang" class="f2">亚马逊</a></td><td><a href="http://www.vancl.com/?source=hao123mp"  class="f1">凡客诚品</a></td><td><a href="http://reg.jiayuan.com/st/?id=3237&url=/st /main.php" class="f1">世纪佳缘'''  class hp(HTMLParser):      a_text = False      def handle_starttag(self,tag,attr):          if tag == 'a':              self.a_text = True              #print (dict(attr))      def handle_endtag(self,tag):          if tag == 'a':              self.a_text = False      def handle_data(self,data):          if self.a_text:              print (data)  yk = hp()  yk.feed(page)  yk.close()  

运行结果：
京东商城
乐淘网上鞋城
拉手团购
亚马逊
凡客诚品
世纪佳缘

整理自：http://www.cnblogs.com/mfryf/p/3691563.html

后续将有自己的添加…