html.parser python_Python进阶记录之HTMLParser模块

回顾

在《Python进阶记录之urllib模块》中，我们介绍了Python内置的HTTP请求库urllib模块的基本用法，需要重点掌握使用urllib的request模块进行简单的get、post请求。今天我们讲一下Python内置的HTML解析库HTMLParser模块，并结合之前的re模块和urllib模块实现爬取指定新闻页提取新闻文本内容的小需求。

HTMLParser模块简介

我们使用urllib模块进行HTTP请求获取到的是整个网页的HTML，但是我们往往只需要其中一部分对我们有用的内容。这时我们就可以使用HTMLParser模块来帮助我们处理HTML。

HTMLParser是Python内置的专门用来解析HTML的模块。利用HTMLParser，我们可以分析出一段HTML里面的标签、数据等，是一种处理HTML的简便途径。我们先来看一个官方的例子。

HTMLParser模块官方例子

从上述代码中可以看出，HTMLParser模块来自html.parser，导包时要格外注意。使用HTMLParser时，我们需要定义一个继承自HTMLParser的子类，并根据需要重写HTMLParser父类中的成员方法。例子中使用的各方法作用如下：

handle_starttag(tag, attrs)：识别HTML的开始标签，例如、

、、

等。

handle_endtag(tag)：识别HTML的结束标签，例如、、

、等。

handle_data(data)：识别HTML标签内容，例如“

Test

”中的Test。

handle_startendtag(tag, attrs)：识别没有结束标签的HTML标签，例如等。

handle_comment(data)：识别HTML中的注释内容，一般是“”中的注释内容。

HTMLParser采用的是一种事件驱动的模式，HTMLParser找到一个特定的标记时，它会去调用一个用户定义的函数，以此来通知程序处理。

我们可以利用这些方法来实现HTML解析相关的功能。其中参数tag表示的是HTML标签，attrs是一个列表，列表元素为一个个“(属性，值)”形式的元组。HTMLParser会自动将tag和attrs都转为小写，解析时调用feed( )方法，把待解析的HTML字符串传入即可。

HTMLParser模块的简单应用

现在有以下网页，我们需要获取出里面的新闻文本内容。

待请求网页

首先就是获取该网页的HTML。经过上节内容的学习，我们很容易想到利用urllib库请求获取这个网页的HTML。

获取网页HTML

代码很简单，使用urlopen( )方法，传入url即可。此时，我们已经得到了整个网页的HTML，但是我们要获取的是新闻内容，显然此时的HTML中有太多我们不需要的东西。

观察整个网页HTML，我们发现新闻内容是包含在一个div中的。

新闻内容相关HTML

我们可以使用正则表达式re模块将包含新闻内容的这个div提取出来。

提取新闻内容相关的HTML

新闻内容的div格式主要是：

...

。由于该div下嵌套了其他div，如果我们直接使用r'

(.*?)

'进行正则提取，会发现在下一个

处就截断了。为了正确提取所有新闻内容相关的HTML，我们需要在前加一个，以保证是在新闻内容结束的处截断。