HTMLParser · python

[TOC] 如果我們要編寫一個搜索引擎，第一步是用爬蟲把目標網站的頁面抓下來，第二步就是解析該HTML頁面，看看里面的內容到底是新聞、圖片還是視頻。假設第一步已經完成了，第二步應該如何解析HTML呢？ HTML本質上是XML的子集，但是HTML的語法沒有XML那么嚴格，所以不能用標準的DOM或SAX來解析HTML。好在Python提供了HTMLParser來非常方便地解析HTML，只需簡單幾行代碼： ~~~ 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('') def handle_entityref(self, name): print('&%s;' % name) def handle_charref(self, name): print('&#%s;' % name) parser = MyHTMLParser() parser.feed('''<html> <head></head> <body>  <p>Some <a href=\"#\">html</a> HTML tutorial...<br>END</p> </body></html>''') ~~~ feed()方法可以多次調用，也就是不一定一次把整個HTML字符串都塞進去，可以一部分一部分塞進去。特殊字符有兩種，一種是英文表示的 ，一種是數字表示的Ӓ，這兩種字符都可以通過Parser解析出來。