Python3 html解析类html.parser.HTMLParser

HTMLParser类是解析HTML(超文本标记语言)和XHTML格式文本文件的基础。向HTMLParser输入HTML数据时，当遇到开始标签、结束标签、文本、注释或其他标签元素时会调用处理方法。可以继承HTMLParser并覆盖它的方法来实现所需的行为。HTMLParser不会检查结束标记与开始标记是否匹配，在关闭外部元素时也不会隐式的调用标签结束处理方法。

初始化

HTMLParser(*, convert_charrefs=True)

convert_charrefs：Python3.4新增的参数，Python3.5起默认值为true。如果为true，除脚本/样式元素之外所有字符引用都会自动转换为相应的Unicode字符。

函数

feed(data)：向解析器提供数据。只要它包含完整的元素，它就被处理;不完整的数据将被缓冲，直到提供更多数据或者调用close方法。data必须是字符串。

close()：强制处理所有缓冲数据，就好像它后面跟着一个文件结束标记。此函数可由派生类覆盖以便在输入结束时做更多操作，但是覆盖的方法中应该总是调用HTMLParser的close方法。

reset()：重置实例，丢失所有未处理数据。在初始化时隐式调用。

get_starttag_text()：返回最近打开的开始标记的文本。在结构化处理时通常不需要此方法。

getpos()：返回包含当前行和位置偏移的元组。

可覆盖函数

HTMLParser实际上相当于是一个HTML解析的框架，必须要覆盖它的一些函数来处理标记。

handle_startendtag(tag, attrs)：在遇到XHTML格式空标记时调用此函数，默认实现只是简单的依次调用handle_starttag和handle_endtag函数，此函数是唯一有默认实现的可覆盖函数。

handle_starttag(tag, attrs):处理开始标记。tag是转换为小写的标记名。attrs是标签尖括号（<>）内的属性的名值对元组的列表。属性名会转换为小写，值中的字符和实体引用会被替换。

handle_endtag(self, tag):处理结束标记。tag是转换为小写的标记名。

handle_charref(name)：此函数用于处理十进制（&#NNN;）和十六进制（&#xNNN;）数字字符引用。如果convert_charref为true，则永远不会调用此方法。

handle_entityref(name)：此函数用于处理命名实体引用（&name;）。name为通用实体引用。

handle_data(data)：此函数用于处理任意数据。

handle_comment(data)：此函数用于处理注释。Internet Explorer条件注释的内容也会被此函数处理。

handle_decl(decl)：此函数用于处理HTML doctype声明。

unknown_decl(data)：当解析器无法识别声明时会调用此函数。data参数为声明标记内的全部内容。

handle_pi(data)：此函数用于处理处理指令。data包含整个处理指令。HTMLParser类使用SGML语法规则来处理指令。