我们要编写一个搜索引擎,第一步是用爬虫把目标网站的页面抓下来,第二步就是解析该HTML页面,看看里面的内容到底是新闻、图片还是视频。
python提供了HTMLParser来非常方便地解析HTML。
一、使用HTMLParser解析HTML内容的步骤
from html.parser import HTMLParser
from html.entities import name2codepoint
class MyHTMLParser(HTMLParser):
def handle_starttag(self, tag, attrs):
print('<%s>' % tag)
def handle_endtag(self, tag):
print('</%s>' % tag)
def handle_startendtag(self, tag, attrs):
print('<%s/>' % tag)
def handle_data(self, data):
print(data)
def handle_comment(self, data):
print('<!--', data, '-->')
def handle_entityref(self, name):
print('&%s;' % name) #特殊字符有两种,一种是英文表示的
def handle_charref(self, name):
print('&#%s;' % name) #第二种特殊字符是数字表示的Ӓ这两种字符都可以通过Parser解析出来。
parser = MyHTMLParser()
parser.feed('''<html>
<head></head>
<body>
<!-- test html parser -->
<p>Some <a href=\"#\">html</a> HTML tutorial...<br>END</p>
</body></html>''')
注:feed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。
二、练习
题目:
找一个网页,例如 https://www.python.org/events/python-events/,用浏览器查看源码并复制,然后尝试解析一下HTML,输出Python官网发布的会议时间、名称和地点。
代码: