from html.parser import HTMLParser
from html.entities import name2codepoint
from urllib import request
class MyHTMLParser(HTMLParser):
def __init__(self):
super(MyHTMLParser,self).__init__()
self.tag=''
self.flag_h3=''
self.flag_a=''
self.name=''
self.flag_time=''
self.time=''
self.tmp=''
self.flag_loc=''
self.loc=''
def handle_starttag(self, tag, attrs):
self.tag=tag
if self.tag=='h3' and attrs:
for key,val in attrs:
if key=="class" and val=='event-title':
self.flag_h3=True
if self.tag=='a' and self.flag_h3:
self.flag_a=True
if self.tag=='time' :
self.flag_time=True
self.tmp=''
if self.tag=='span' and attrs:
for key,val in attrs:
if key=="class" and val=='event-location':
self.flag_loc=True
def handle_endtag(self, tag):
if self.flag_h3 and self.flag_a:
print('会议名称:',self.name)
self.flag_a=False
self.flag_h3=False
if self.flag_time:
print('会议时间:',self.time)
self.flag_time=False
if self.flag_loc:
print('会议地点:',self.loc,'\n')
self.flag_loc=False
def handle_data(self, data):
if self.flag_h3 and self.flag_a:
self.name=data
if self.flag_time:
self.tmp+=data
self.time=self.tmp
if self.flag_loc:
self.loc=data
def handle_startendtag(self, tag, attrs):
pass
def handle_comment(self, data):
pass
def handle_entityref(self, name):
pass
def handle_charref(self, name):
pass
with request.urlopen('https://www.python.org/events/python-events/') as f:
data=f.read()
parser = MyHTMLParser()
parser.feed(data.decode('utf-8'))
特殊字符有两种,一种是英文表示的
,一种是数字表示的Ӓ
(Ӓ),这两种字符都可以通过Parser解析出来。
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,可以一部分一部分塞进去。
HTMLParser.close():当遇到文件结束标签后进行的处理方法。如果子类要复写该方法,需要首先调用HTMLParser类的close()
HTMLParser.reset():重置HTMLParser实例,该方法会丢掉未处理的html内容
HTMLParser.getpos():返回当前行和相应的偏移量
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Ӓ
handle_entityref 处理一些特殊字符,以&开头的,比如
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