HTMLParser · 廖雪峰的Python3.x教程

[TOC] ### 介紹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。 ### 解析 HTML 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`。 #### HTML Parser 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。 ### 小結利用`HTMLParser`，可以把網頁中的文本、圖像等解析出來。 ### 練習找一個網頁，例如https://www.python.org/events/python-events/ ，用瀏覽器查看源碼并復制，然后嘗試解析一下HTML，輸出Python官網發布的會議時間、名稱和地點。