python模块之HTMLParser: 解析html,获取url

<p>python模块之HTMLParser: 解析html,获取url<br><br>
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：<br>
handle_startendtag 处理开始标签和结束标签<br>
handle_starttag 处理开始标签，比如&lt;xx&gt;<br>
handle_endtag 处理结束标签，比如&lt;/xx&gt;<br>
handle_charref 处理特殊字符串，就是以&amp;#开头的，一般是内码表示的字符<br>
handle_entityref 处理一些特殊字符，以&amp;开头的，比如 &amp;nbsp;<br>
handle_data 处理数据，就是&lt;xx&gt;data&lt;/xx&gt;中间的那些数据<br>
handle_comment 处理注释<br>
handle_decl 处理&lt;!开头的，比如&lt;!DOCTYPE html PUBLIC “-//W3C//DTD HTML 4.01 Transitional//EN”<br>
handle_pi 处理形如&lt;?instruction&gt;的东西<br>
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&lt;a&gt;标签，然后取到它的href属性的值。下面是代码：<br><br>
#-*- encoding: gb2312 -*-<br>
import HTMLParser<br><br>
class MyParser(HTMLParser.HTMLParser):<br>
def __init__(self):<br>
HTMLParser.HTMLParser.__init__(self)<br><br>
def handle_starttag(self, tag, attrs):<br>
# 这里重新定义了处理开始标签的函数<br>
if tag == ‘a‘:<br>
# 判断标签&lt;a&gt;的属性<br>
for name,value in attrs:<br>
if name == ‘href‘:<br>
print value<br><br>
if __name__ == ‘__main__‘:<br>
a = ‘&lt;html&gt;&lt;head&gt;&lt;title&gt;test&lt;/title&gt;&lt;body&gt;&lt;a href=”http: //www.163.com”&gt;链接到163&lt;/a&gt;&lt;/body&gt;&lt;/html&gt;‘<br><br>
my = MyParser()<br>
# 传入要分析的数据，是html的。<br>
my.feed(a)</p>