HTMLParser
如果我们要编写一个搜索引擎,第一步是使用爬虫将目标网站的页面抓取过来,第二步就是解析该HTML页面内容,看看里面的内容到底是新闻、图片还是视频。
假设第一步已经完成,第二步该如何解析HTML呢?
HTML本质上是XML的子集,但是HTML语法上没有XML那么严格,所以不能使用标准的DOM或SAX来解析HTML。
好在Python提供了HTMLParser来非常方便的解析HTML,只需简单的几行代码:
from html.parser import HTMLParser
from html.entities 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('<!--',data,'-->')
def handle_entityref(self,name):
print('&%s:'% name)
def handle_charref(self,name):
print('&#%s' % name)
parser =MyHTMLParser()
parser.feed('''<html>
<head></head>
<body>
<!-- test html parser -->
<p>Some <a herf =\"#\">html</a> HTML  :tutorial...<br>END</p>
</body></html>''')
feed()方法可以多次调用,也就是不一定一次把整个HTML字符串都塞进去,可以一部分一部分的塞。
特殊字符有两种,一种是英文表示的 ;一种是数字表示的Ӓ;这两种字符都可以通过Parser解析出来。
小结:
通过HTMLParser可以把网页中的文本图像解析出来。