python笔记：常用内建模块—HTMLParser

最新推荐文章于 2021-07-15 16:02:44 发布

zyckhuntoria

最新推荐文章于 2021-07-15 16:02:44 发布

阅读量196

点赞数

分类专栏： python foundation

本文链接：https://blog.csdn.net/zyckhuntoria/article/details/81048398

版权

python foundation 专栏收录该内容

46 篇文章 1 订阅

订阅专栏

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&nbsp;

    def handle_charref(self, name):
        print('&#%s;' % name) #第二种特殊字符是数字表示的&#1234;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：

zyckhuntoria

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
python笔记：常用内建模块—HTMLParser

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 HTMLParserfrom html.entities import name2codepoint...
复制链接

扫一扫