Python—解析HTML页面（HTMLParser）

HTMLParser类的定义及常用方法

类的定义

• HTMLParser主要是用来解析HTML文件（包括HTML中无效的标记）。
• 参数convert_charrefs表示是否将所有的字符引用自动转化为Unicode形式，Python3.5以后默认是True。
• HTMLParser可以接收相应的HTML内容，并进行解析，遇到HTML的标签会自动调用相应的handler（处理方法）来处理，用户需要自己创建相应的子类来继承HTMLParser，并且复写相应的handler方法。
• HTMLParser不会检查开始标签和结束标签是否是一对。

常用方法

• HTMLParser.feed(data)：接收一个字符串类型的HTML内容，并进行解析。
• HTMLParser.close()：当遇到文件结束标签后进行的处理方法。如果子类要复写该方法，需要首先调用HTMLParser累的close()。
• HTMLParser.reset()：重置HTMLParser实例，该方法会丢掉未处理的html内容。
• HTMLParser.getpos()：返回当前行和相应的偏移量。
• HTMLParser.handle_starttag(tag, attrs)：对开始标签的处理方法。例如
  ，参数tag指的是div，attrs指的是一个（name,Value)的列表，即列表里面装的数据是元组。
• HTMLParser.handle_endtag(tag)：对结束标签的处理方法。例如

，参数tag指的是div。

HTMLParser.handle_startendtag(tag, attrs)：识别没有结束标签的HTML标签，例如等。

HTMLParser.handle_data(data)：对标签之间的数据的处理方法。test，data指的是“test”。

HTMLParser.handle_comment(data)：对HTML中注释的处理方法。

解释部分：

• tag表示的是html标签，attrs是一个列表，列表元素为一个个“(属性，值)”形式的元组。 
• HTMLParser会自动将tag和attrs都转为小写。

实例应用

try:
    from HTMLParser import HTMLParser
except:
    from html.parser import HTMLParser

class MyHTMLParser(HTMLParser):
    def __init__(self):
        HTMLParser.__init__(self)
        self.data = []   # 定义data数组用来存储html中的数据
        self.links = []  
           
    def handle_starttag(self, tag, attrs):
        print('<%s>' % tag) 
        if tag == "a":
            if len(attrs) == 0: pass
            else:
                for (variable, value)  in attrs:
                    if variable == "href":
                        self.links.append(value)
    
    def handle_endtag(self, tag):
        print('' % tag)

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

    def handle_data(self, data):
        print('data===>', data)

    def handle_comment(self, data):
        print('')

    def handle_entityref(self, name):
        print('&%s;' % name)

    def handle_charref(self, name):
        print('&#%s;' % name)
        
if __name__ == "__main__":
    html_code = '''
			这是头标签
			
			    
			    
Some html HTML Ӓ Ӓtutorial...
END
			'''
    parser = MyHTMLParser()
    parser.feed(html_code)
    parser.close()
    print(parser.data)
    print(parser.links)

处理HTML转义字符

在 HTML 中 <、>、& 等字符有特殊含义（<，> 用于标签中，& 用于转义），他们不能在 HTML 代码中直接使用，如果要在网页中显示这些符号，就需要使用 HTML 的转义字符串（Escape Sequence），例如 < 的转义字符是 <，浏览器渲染 HTML 页面时，会自动把转移字符串换成真实字符。

转义字符（Escape Sequence）由三部分组成：第一部分是一个 & 符号，第二部分是实体（Entity）名字，第三部分是一个分号。 比如，要显示小于号（<），就可以写 <。

html = '<abc>'

# 反转义：方式1
try:
    from HTMLParser import HTMLParser
except:
    from html.parser import HTMLParser
html_parser = HTMLParser()
text = html_parser.unescape(html)
print(text)

# 反转义：方式2
import html
text = html.unescape('a=1&b=2')
print(text)

# 转义
import cgi
html = cgi.escape(text)
print(html)

https://www.liaoxuefeng.com/wiki/897692888725344/966401234683424　

https://www.liaoxuefeng.com/wiki/1016959663602400/1017784593019776

https://baijiahao.baidu.com/s?id=1637614366297669334&wfr=spider&for=pc