HTMLParser

如果我们要编写一个搜索引擎，第一步是用爬虫把目标网站的页面抓下来，第二步就是解析该HTML页面，看看里面的内容到底是新闻、图片还是视频。

假设第一步已经完成了，第二步应该如何解析HTML呢？

HTML本质上是XML的子集，但是HTML的语法没有XML那么严格，所以不能用标准的DOM或SAX来解析HTML。

好在Python提供了HTMLParser来非常方便地解析HTML，只需简单几行代码：

  1. from html.parser import HTMLParser
  2. from html.entities import name2codepoint
  4. class MyHTMLParser(HTMLParser):
  6.     def handle_starttag(self, tag, attrs):
  7.         print('<%s>' % tag)
  9.     def handle_endtag(self, tag):
  10.         print('</%s>' % tag)
  12.     def handle_startendtag(self, tag, attrs):
  13.         print('<%s/>' % tag)
  15.     def handle_data(self, data):
  16.         print(data)
  18.     def handle_comment(self, data):
  19.         print('<!--', data, '-->')
  21.     def handle_entityref(self, name):
  22.         print('&%s;' % name)
  24.     def handle_charref(self, name):
  25.         print('&#%s;' % name)
  27. parser = MyHTMLParser()
  28. parser.feed('''<html>
  29. <head></head>
  30. <body>
  31. <!-- test html parser -->
  32.     <p>Some <a href=\"#\">html</a> HTML&nbsp;tutorial...<br>END</p>
  33. </body></html>''')

feed()方法可以多次调用，也就是不一定一次把整个HTML字符串都塞进去，可以一部分一部分塞进去。

特殊字符有两种，一种是英文表示的&nbsp;，一种是数字表示的&#1234;，这两种字符都可以通过Parser解析出来。

小结

利用HTMLParser，可以把网页中的文本、图像等解析出来。

练习

找一个网页，例如https://www.python.org/events/python-events/，用浏览器查看源码并复制，然后尝试解析一下HTML，输出Python官网发布的会议时间、名称和地点。

参考源码

use_htmlparser.py

原文: https://wizardforcel.gitbooks.io/liaoxuefeng/content/py3/78.html