怎么實現HTMLParser解析HTML

這篇文章運用簡單易懂的例子給大家介紹怎么實現HTMLParser解析HTML，代碼非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

對于我們用Python實現的爬蟲首要任務可以分為兩個步驟，第一步是用爬蟲把目標網站的頁面抓下來，第二步就是解析該HTML頁面，看看里面的內容到底是新聞、圖片還是視頻。

假設第一步已經完成了，第二步應該如何解析HTML呢？

HTML本質上是XML的子集，但是HTML的語法沒有XML那么嚴格，所以不能用標準的DOM或SAX來解析HTML。

好在Python提供了HTMLParser來非常方便地解析HTML，只需簡單幾行代碼：

from HTMLParser import HTMLParser
from htmlentitydefs 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('<!-- -->')
 
  def handle_entityref(self, name):
    print('&%s;' % name)
 
  def handle_charref(self, name):
    print('&#%s;' % name)
 
parser = MyHTMLParser()
parser.feed('<p>Some <a href="\"#\"">html</a> tutorial...<br>END</p>')

feed()方法可以多次調用，也就是不一定一次把整個HTML字符串都塞進去，可以一部分一部分塞進去。

特殊字符有兩種，一種是英文表示的 ，一種是數字表示的?，這兩種字符都可以通過Parser解析出來。

小結

找一個網頁，例如https://www.python.org/events/python-events/，用瀏覽器查看源碼并復制，然后嘗試解析一下HTML，輸出Python官網發布的會議時間、名稱和地點。

關于怎么實現HTMLParser解析HTML就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。