使用时需要新建一个继承自HTMLParser的类
一个完整的类块如下:
class MyHTMLParser(HTMLParser):
def __init__(self):
HTMLParser.__init__(self)
#需要实现以下方法(可选)
#tag是html标签,attrs是(variable,value)的元组的列表
#处理开始结束标签,如<img />
def handle_startendtag(self,tag,attrs):
pass
#处理开始标签
def handle_starttag(self,tag,attrs):
pass
#处理结束标签,如</XX>
def handle_endtag(self,tag):
pass
#处理特殊字符,以&#开头的,一般为内码表示的字符
def handle_charref(self,name):
pass
#处理一些特殊的字符,以&开头的
def handle_entityref(self,name):
pass
#处理数据,<XX>data<XX>
def handle_data(self,data):
pass
#处理注释
def handle_comment(self,data):
pass
#处理以 <! 开头的
def handle_decl():
pass
#处理形如<?instruction>的东西
def handle_pi():
pass
一些例子:
from html.parser import HTMLParser
class MyHTMLParser(HTMLParser):
def __init__(self):
HTMLParser.__init__(self)
self.links = []
def handle_starttag(self, tag, attrs):
#print "Encountered the beginning of a %s tag" % tag
if tag == "a":
if len(attrs) == 0:
pass
else:
for (variable, value) in attrs:
if variable == "href":
self.links.append(value)
if __name__ == "__main__":
html_code = """ <a href="www.google.com"> google.com</a> <A Href="www.pythonclub.org"> PythonClub </a> <A HREF = "www.sina.com.cn"> Sina </a> """
hp = MyHTMLParser()
hp.feed(html_code)
hp.close()
print(hp.links)
运行结果:[‘www.google.com’, ‘www.pythonclub.org’, ‘www.sina.com.cn’]
from html.parser import HTMLParser
page ='''''<sada>啊啊啊</sada><a href="http://click.union.360buy.com/JdClick /?unionId=75" class="f1" style="padding-left:13px; padding-right:14px">京东商城</a></td><td><a href="http://www.letao.com /?source=hao123" class="f1">乐淘网上鞋城</a></td><td><a href="http://www.lashou.com/cl_today/w_3001" class="f2">拉手团购</a></td><td><a href="http://www.amazon.cn/?tag=2009hao123famousdaohang" class="f2">亚马逊</a></td><td><a href="http://www.vancl.com/?source=hao123mp" class="f1">凡客诚品</a></td><td><a href="http://reg.jiayuan.com/st/?id=3237&url=/st /main.php" class="f1">世纪佳缘'''
class hp(HTMLParser):
a_text = False
def handle_starttag(self,tag,attr):
if tag == 'a':
self.a_text = True
#print (dict(attr))
def handle_endtag(self,tag):
if tag == 'a':
self.a_text = False
def handle_data(self,data):
if self.a_text:
print (data)
yk = hp()
yk.feed(page)
yk.close()
运行结果:
京东商城
乐淘网上鞋城
拉手团购
亚马逊
凡客诚品
世纪佳缘
整理自:http://www.cnblogs.com/mfryf/p/3691563.html
后续将有自己的添加…