HTMLParser是python用來解析html的模塊。它可以分析出html里面的標(biāo)簽、數(shù)據(jù)等等，是一種處理html的簡(jiǎn)便途徑。HTMLParser采用的是一種事件驅(qū)動(dòng)的模式，當(dāng)HTMLParser找到一個(gè)特定的標(biāo)記時(shí)，它會(huì)去調(diào)用一個(gè)用戶定義的函數(shù)，以此來通知程序處理。它主要的用戶回調(diào)函數(shù)的命名都是以handler_開頭的，都是HTMLParser的成員函數(shù)。當(dāng)我們使用時(shí)，就從HTMLParser派生出新的類，然后重新定義這幾個(gè)以handler_開頭的函數(shù)即可。這幾個(gè)函數(shù)包括：
handle_startendtag 處理開始標(biāo)簽和結(jié)束標(biāo)簽
handle_starttag 處理開始標(biāo)簽，比如<xx>
handle_endtag 處理結(jié)束標(biāo)簽，比如</xx>
handle_charref 處理特殊字符串，就是以&#開頭的，一般是內(nèi)碼表示的字符
handle_entityref 處理一些特殊字符，以&開頭的，比如
handle_data 處理數(shù)據(jù)，就是<xx>data</xx>中間的那些數(shù)據(jù)
handle_comment 處理注釋
handle_decl 處理<!開頭的，比如<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
handle_pi 處理形如<?instruction>的東西
這里我以從網(wǎng)頁(yè)中獲取到url為例，介紹一下。要想獲取到url，肯定是要分析<a>標(biāo)簽，然后取到它的href屬性的值。下面是代碼：
#-*- encoding: gb2312 -*- import HTMLParser class MyParser(HTMLParser.HTMLParser): def __init__(self): HTMLParser.HTMLParser.__init__(self) def handle_starttag(self, tag, attrs): # 這里重新定義了處理開始標(biāo)簽的函數(shù) if tag == 'a': # 判斷標(biāo)簽<a>的屬性 for name,value in attrs: if name == 'href': print value if __name__ == '__main__': a = '<html><head><title>test</title><body><a href="http://www.tjdsmy.cn">鏈接到163</a></body></html>' my = MyParser() # 傳入要分析的數(shù)據(jù)，是html的。 my.feed(a)
服務(wù)熱線：
4006-75-4006(7*24小時(shí)在線)
總機(jī)直撥：
0871-63886388（工作日9:00-18:00）
售前咨詢
售后咨詢
備案咨詢
二維碼
TOP
