HTML and URL Parser

 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<xx>
handle_endtag       处理结束标签,比如</xx>
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 &nbsp;
handle_data         处理数据,就是<xx>data</xx>中间的那些数据
handle_comment      处理注释
handle_decl         处理<!开头的,比如<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
handle_pi           处理形如<?instruction>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<a>标签,然后取到它的href属性的值。下面是代码: 

# -*- encoding: gb2312 -*-
import  HTMLParser

class  MyParser(HTMLParser.HTMLParser):
    
def   __init__ (self):
        HTMLParser.HTMLParser.
__init__ (self)        
        
    
def  handle_starttag(self, tag, attrs):
        
#  这里重新定义了处理开始标签的函数
         if  tag  ==   ' a ' :
            
#  判断标签<a>的属性
             for  name,value  in  attrs:
                
if  name  ==   ' href ' :
                    
print  value
        

if   __name__   ==   ' __main__ ' :
    a 
=   ' <html><head><title>test</title><body><a href="http://www.163.com">链接到163</a></body></html> '
    
    my 
=  MyParser()
    
#  传入要分析的数据,是html的。
    my.feed(a)
    

你可能感兴趣的:(HTML and URL Parser)