本章內(nèi)容，我們主要來講一下Python內(nèi)置的HTML解析庫HTMLParser模塊，基本上也是應用于頁面抓取上，假設，我們需要去收集頁面上已存在的靜態(tài)鏈接，但是頁面肯定代碼量都非常大，并且頁面也很多，這樣看來，會比較麻煩，工作量也非常大，這個時候，我們就可以用到htmlparser模塊，一起來了解具體使用內(nèi)容。

安裝：

npm install htmlparser

htmlparser提供構造函數(shù)：

function Parser(handler) {
  this._handler = handler;
}

HTMLParser解析HTML:

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)
  def handle_charref(self, name):
    print('#%s;' % name)
parser = MyHTMLParser()
parser.feed('''html>
head>/head>
body>
!-- test html parser -->
  p>Some a href=\"#\">html/a> HTML tutorial...br>END/p>
/body>/html>''')

HTML本質(zhì)上是XML的子集，但是HTML的語法沒有XML那么嚴格，大家也可以嘗試利用HTMLParser解析HTML。

知識點擴展：

常用方法介紹

l feed(data)：主要用于接受帶html標簽的str，當調(diào)用這個方法時并提供相應的data時，整個實例（instance）開始執(zhí)行，結束執(zhí)行close()。

l handle_starttag(tag, attrs): 這個方法接收Parse_starttag返回的tag和attrs，并進行處理，處理方式通常由使用者進行覆蓋，本身為空。

例如，連接的start tag是a>，那么對應的參數(shù)tag＝'a'（小寫)。attrs是start tag >中的屬性，以元組形式（name, value）返回（所有這些內(nèi)容都是小寫）。

例如，對于A http://www.baidu.com)]）.

l handle_endtag(tag)：跟上述一樣，只是處理的是結束標簽，也就是以/開頭的標簽。

l handle_data(data)：處理的是網(wǎng)頁的數(shù)據(jù)，也就是開始標簽和結束標簽之間的內(nèi)容。例如：script>.../script>的省略號內(nèi)容

l handle_comment(data) ，處理注釋，!-- -->之間的文本

l reset()：將實例重置，包括作為參數(shù)輸入的數(shù)據(jù)進行清空。

到此這篇關于python中HTMLParser模塊知識點總結的文章就介紹到這了,更多相關python中HTMLParser模塊是什么內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

到此這篇關于python中HTMLParser模塊知識點總結的文章就介紹到這了,更多相關python中HTMLParser模塊是什么內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！