一、HTMLParser中几种handler_开头的函数
HTMLParser是python用来解 析html的模块。它可以分析出html里面的标签、数据等等,是一种处理html的简便途径。 HTMLParser采用的是一种事件驱动的模式,当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。它主要的用户回调函数的命名都是以handler_开头的,都是HTMLParser的成员函数。当我们使用时,就从HTMLParser派生出新的类,然后重新定义这几个以handler_开头的函数即可。这几个函数包括:
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
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
二、大佬写的经典的内容转载
Python的自带模块——HTMLParser的初步学习
https://blog.csdn.net/weixin_35955795/article/details/52823203
Python中使用HTMLParser解析html实例
https://www.jb51.net/article/60867.htm
Python 网页解析HTMLParse的实例详解
https://www.jb51.net/article/120779.htm
三、从基本例子看HTMLParser的解析步骤及要点
步骤1、准备一个模拟的html文件:
<html> <title id='main' mouse='你好'>我是标题</title><body>我是内容</body> </html>
步骤2、使用HTMLParser解析html代码
import html.parser as h
class MyHTMLParser(h.HTMLParser):
a_t=False
def handle_starttag(self, tag, attrs):
#print("开始一个标签:",tag)
if str(tag).startswith("title"):
print(tag)
self.a_t=True
for attr in attrs:
print(" 属性值:",attr)
def handle_endtag(self, tag):
if tag == "title":
self.a_t=False
#print("结束一个标签:",tag)
def handle_data(self, data):
if self.a_t is True:
print("得到的数据: ",data)
p=MyHTMLParser()
p.feed("<html> <title id='main' mouse='你好'>我是标题</title><body>我是内容</body> </html>")
p.close()
步骤3、运行
如果将上述代码中间:
for attr in attrs:
print(" 属性值:",attr)
改为:
print(" 属性值:",attrs[1][1])
全部代码如下:
import html.parser as h
class MyHTMLParser(h.HTMLParser):
a_t=False
def handle_starttag(self, tag, attrs):
print("开始一个标签:",tag)
if str(tag).startswith("title"):
self.a_t=True
print(" 属性值:",attrs[1][1])
def handle_endtag(self, tag):
if tag == "title":
self.a_t=False
print("结束一个标签:",tag)
def handle_data(self, data):
if self.a_t is True:
print("得到的数据: ",data)
p=MyHTMLParser()
p.feed("<html> <title id='main' mouse='你好'>我是标题</title><body>我是内容</body> </html>")
p.close()
运行:
总结:通过上述代码运行结果可以明显看出tag是的html标签,attrs是 (属性,值)元组(tuple)的列表(list),上述例子中attrs的值实际上是[('id',main),('mouse',你好)]
四、验证attrs是否是元组的列表list
对于以上总结,进行验证,验证attrs是否是元组的列表list
如果是元组的列表list,则需要满足以下的条件:
1、可以用二维数组的形式获取值,比如attr[0][1]="main"
2、list是可变对象,可以使用append()方法添加值
代码:
import html.parser as h
class MyHTMLParser(h.HTMLParser):
a_t=False
def handle_starttag(self, tag, attrs):
print("开始一个标签:",tag)
if str(tag).startswith("title"):
self.a_t=True
print(" 属性值:",attrs[1][1]) #验证条件1
attrs.append(('time','puple')) #验证条件2
print("添加的属性值:",attrs[2][1])
def handle_endtag(self, tag):
if tag == "title":
self.a_t=False
print("结束一个标签:",tag)
def handle_data(self, data):
if self.a_t is True:
print("得到的数据: ",data)
p=MyHTMLParser()
p.feed("<html> <title id='main' mouse='你好'>我是标题</title><body>我是内容</body> </html>")
运行:
发现本来进入titile标签,attrs=[('id','main'),('mouse','你好')],条件1符合
经过代码attrs.append(('time','puple'))运算,attrs=[('id','main'),('mouse','你好'),('time','puple')],经过print("添加的属性值:",attrs[2][1]),打印得puple。证明条件2符合。故验证“attrs是 (属性,值)元组(tuple)的列表(list)”完毕。
五、练习
代码:
from html.parser import HTMLParser
from html.entities import name2codepoint
from urllib import request
import re
from html.entities import name2codepoint
class MyHTMLParser(HTMLParser):
def __init__(self):
HTMLParser.__init__(self)
self.time=""
self.ttag=""
self.flag=0
def handle_starttag(self, tag, attrs):
self.ttag=tag
try:
if self.ttag=="h3" and attrs[0][1]=="event-title":
self.flag=1
if self.flag==1 and tag=="a" and "events/python-events/" in attrs[0][1]:
self.ttag="etitle"
if self.ttag=="time":
self.time=attrs[0][1]
if self.ttag=="span" and attrs[0][1]=="event-location":
self.ttag="addr"
except IndexError:
pass
def handle_data(self, data):
if self.ttag=="etitle":
print("----------------------------------------------------------------------------")
print("会议主题:",data)
elif self.ttag=="time":
print("会议时间:",data)
elif self.ttag=="addr":
print("会议地点:",data)
self.ttag=""
self.flag=0
url = 'https://www.python.org/events/python-events/'
try:
with request.urlopen(url) as f:
data = f.read().decode('utf-8')
except HTTPError:
print('Error getting page source')
parse = MyHTMLParser()
parse.feed(data)
运行: