欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

在Python中使用HTMLParser解析HTML的教程

 更新時間：2015年04月29日 09:38:01   作者：廖雪峰  
這篇文章主要介紹了在Python中使用HTMLParser解析HTML的教程,尤其是在用Python制作爬蟲程序的時候經(jīng)?？梢杂玫?需要的朋友可以參考下

如果我們要編寫一個搜索引擎，第一步是用爬蟲把目標(biāo)網(wǎng)站的頁面抓下來，第二步就是解析該HTML頁面，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的語法沒有XML那么嚴(yán)格，所以不能用標(biāo)準(zhǔn)的DOM或SAX來解析HTML。

好在Python提供了HTMLParser來非常方便地解析HTML，只需簡單幾行代碼：

from HTMLParser import HTMLParser
from htmlentitydefs import name2codepoint

class MyHTMLParser(HTMLParser):

  def handle_starttag(self, tag, attrs):
    print('<%s>' % tag)

  def handle_endtag(self, tag):
    print('</%s>' % tag)

  def handle_startendtag(self, tag, attrs):
    print('<%s/>' % 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('<html><head></head><body><p>Some <a href=\"#\">html</a> tutorial...<br>END</p></body></html>')

feed()方法可以多次調(diào)用，也就是不一定一次把整個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&nbsp;，一種是數(shù)字表示的&#1234;，這兩種字符都可以通過Parser解析出來。
小結(jié)

找一個網(wǎng)頁，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)布的會議時間、名稱和地點(diǎn)。

相關(guān)文章

最新評論