python模块之HTMLParser: 解析html,获取url

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：

handle_startendtag  处理开始标签和结束标签

handle_starttag     处理开始标签，比如

handle_endtag       处理结束标签，比如

handle_charref      处理特殊字符串，就是以&#开头的，一般是内码表示的字符

handle_entityref    处理一些特殊字符，以&开头的，比如 

handle_data         处理数据，就是data中间的那些数据

handle_comment      处理注释

handle_decl         处理

handle_pi           处理形如的东西

这里我以从网页中获取到url为例，介绍一下。要想获取到url，肯定是要分析标签，然后取到它的href属性的值。下面是代码：

#-*- encoding: gb2312 -*-

importHTMLParser

classMyParser(HTMLParser.HTMLParser):

def__init__(self):

HTMLParser.HTMLParser.__init__(self)

defhandle_starttag(self, tag, attrs):

#这里重新定义了处理开始标签的函数

iftag=='a':

#判断标签的属性

forname,valueinattrs:

ifname=='href':

printvalue

if__name__=='__main__':

a='test链接到163'

my=MyParser()

#传入要分析的数据，是html的。

my.feed(a)