python htmlparser怎么用,在Python中高效地使用HTMLParser

作为对Python regular expression的响应，我尝试使用HTMLParser实现一个HTML解析器：import HTMLParser

class ExtractHeadings(HTMLParser.HTMLParser):

def __init__(self):

HTMLParser.HTMLParser.__init__(self)

self.text = None

self.headings = []

def is_relevant(self, tagname):

return tagname == 'h1' or tagname == 'h2'

def handle_starttag(self, tag, attrs):

if self.is_relevant(tag):

self.in_heading = True

self.text = ''

def handle_endtag(self, tag):

if self.is_relevant(tag):

self.headings += [self.text]

self.text = None

def handle_data(self, data):

if self.text != None:

self.text += data

def handle_charref(self, name):

if self.text != None:

if name[0] == 'x':

self.text += chr(int(name[1:], 16))

else:

self.text += chr(int(name))

def handle_entityref(self, name):

if self.text != None:

print 'TODO: entity %s' % name

def extract_headings(text):

parser = ExtractHeadings()

parser.feed(text)

return parser.headings

print extract_headings('abdk3

The content we need

aaaaabbb

The content we need2

')

print extract_headings('before

Hello

after')

我想知道这个模块的API是坏的还是我没有注意到一些重要的事情。我的问题是：为什么我的handle_charref的实现必须如此复杂？{cd4{I>作为一个预期的为什么handle_charref的默认实现不使用适当的字符串调用handle_data？在

为什么没有我可以调用的handle_entityref的实用程序实现？它可以命名为handle_entityref_HTML4，它将查找html4中定义的实体，然后对它们调用handle_data。在

如果提供了这个API，编写定制的HTML解析器就会容易得多。我的误解在哪里？在