首页 > 代码库 > 使用HTMLParser 解析html

使用HTMLParser 解析html

python里面的HTMLParser解析html,跟c++和其他语言的html库解析不同,是使用类继承的方式。

通过重实现HTMLParser类的几个函数,来达到解析html的目的。

主要的重载的函数有:

handle_starttag #开始标签的解析

handle_endtag #结束标签的解析

handle_data     #标签内数据的解析


下面通过一个例子看学习下具体的使用(这个例子是python主页上的一个例子):

from html.parser import HTMLParser

class MyHTMLParser(HTMLParser):
    def handle_starttag(self, tag, attrs):
        print("Encountered a start tag:", tag)
    def handle_endtag(self, tag):
        print("Encountered an end tag :", tag)
    def handle_data(self, data):
        print("Encountered some data  :", data)

parser = MyHTMLParser()
parser.feed('<html><head><title>Test</title></head>'
            '<body><h1>Parse me!</h1></body></html>')

源html为:

<html>
 <head>
  <title>Test</title>
 </head>
 <body>
  <h1>Parse me!</h1>
 </body>
</html>

输出结果为:

Encountered a start tag: html
Encountered a start tag: head
Encountered a start tag: title
Encountered some data  : Test
Encountered an end tag : title
Encountered an end tag : head
Encountered a start tag: body
Encountered a start tag: h1
Encountered some data  : Parse me!
Encountered an end tag : h1
Encountered an end tag : body
Encountered an end tag : html
现在标签内容都能解析了。


总结:

1)继承HTMLParser类

class MYParser(HTMLParser):

2)def handle_starttag(self, tag, attrs) #重定义解析开始标签,tag为标签,attrs是标签的属性及属性值:是个dict

       #这儿有一个例子,提取网页中的网址

3) def handle_endtag(self, tag): #重定义解析结束标签

4)def handle_data(self, data): #重定义解析数据



使用HTMLParser 解析html