Python—解析HTML页面（HTMLParser）-python黑洞网

本站消息

站长简介/公众号

出租广告位,需要合作请联系站长

皇后娘娘别惹我

1352

文章

1148095

访问

+关注

分类

python面试(5)

函数(0)

日期归档

2023-05(1)

2023-06(2)

Python—解析HTML页面（HTMLParser）

发布于2020-02-10 15:35 阅读(1308) 评论(0) 点赞(21) 收藏(4)

HTMLParser类的定义及常用方法

类的定义

HTMLParser主要是用来解析HTML文件（包括HTML中无效的标记）。
参数convert_charrefs表示是否将所有的字符引用自动转化为Unicode形式，Python3.5以后默认是True。
HTMLParser可以接收相应的HTML内容，并进行解析，遇到HTML的标签会自动调用相应的handler（处理方法）来处理，用户需要自己创建相应的子类来继承HTMLParser，并且复写相应的handler方法。
HTMLParser不会检查开始标签和结束标签是否是一对。

常用方法

HTMLParser.feed(data)：接收一个字符串类型的HTML内容，并进行解析。
HTMLParser.close()：当遇到文件结束标签后进行的处理方法。如果子类要复写该方法，需要首先调用HTMLParser累的close()。
HTMLParser.reset()：重置HTMLParser实例，该方法会丢掉未处理的html内容。
HTMLParser.getpos()：返回当前行和相应的偏移量。
HTMLParser.handle_starttag(tag, attrs)：对开始标签的处理方法。例如<div id="main">，参数tag指的是div，attrs指的是一个（name,Value)的列表，即列表里面装的数据是元组。
HTMLParser.handle_endtag(tag)：对结束标签的处理方法。例如</div>，参数tag指的是div。
HTMLParser.handle_startendtag(tag, attrs)：识别没有结束标签的HTML标签，例如<img />等。
HTMLParser.handle_data(data)：对标签之间的数据的处理方法。<tag>test</tag>，data指的是“test”。
HTMLParser.handle_comment(data)：对HTML中注释的处理方法。

解释部分：

tag表示的是html标签，attrs是一个列表，列表元素为一个个“(属性，值)”形式的元组。
HTMLParser会自动将tag和attrs都转为小写。

实例应用

try:
    from HTMLParser import HTMLParser
except:
    from html.parser import HTMLParser
 
class MyHTMLParser(HTMLParser):
    def __init__(self):
        HTMLParser.__init__(self)
        self.data = []   # 定义data数组用来存储html中的数据
        self.links = []  
            
    def handle_starttag(self, tag, attrs):
        print('<%s>' % tag) 
        if tag == "a":
            if len(attrs) == 0: pass
            else:
                for (variable, value)  in attrs:
                    if variable == "href":
                        self.links.append(value)
     
    def handle_endtag(self, tag):
        print('</%s>' % tag)
 
    def handle_startendtag(self, tag, attrs):
        print('<%s/>' % tag)
 
    def handle_data(self, data):
        print('data===>', data)
 
    def handle_comment(self, data):
        print('<!--', data, '-->')
 
    def handle_entityref(self, name):
        print('&%s;' % name)
 
    def handle_charref(self, name):
        print('&#%s;' % name)
         
if __name__ == "__main__":
    html_code = '''<html>
            <head>这是头标签</head>
            <body>
                <!-- test html parser -->
                <p>Some <a href=\"#\">html</a> HTML&nbsp;&#1234; Ӓtutorial...<br>END</p>
            </body></html>'''
    parser = MyHTMLParser()
    parser.feed(html_code)
    parser.close()
    print(parser.data)
    print(parser.links)

处理HTML转义字符

在 HTML 中 <、>、& 等字符有特殊含义（<，> 用于标签中，& 用于转义），他们不能在 HTML 代码中直接使用，如果要在网页中显示这些符号，就需要使用 HTML 的转义字符串（Escape Sequence），例如 < 的转义字符是 <，浏览器渲染 HTML 页面时，会自动把转移字符串换成真实字符。

转义字符（Escape Sequence）由三部分组成：第一部分是一个 & 符号，第二部分是实体（Entity）名字，第三部分是一个分号。比如，要显示小于号（<），就可以写 <。

html = '&lt;abc&gt;'
 
# 反转义：方式1
try:
    from HTMLParser import HTMLParser
except:
    from html.parser import HTMLParser
html_parser = HTMLParser()
text = html_parser.unescape(html)
print(text)
 
# 反转义：方式2
import html
text = html.unescape('a=1&b=2')
print(text)
 
# 转义
import cgi
html = cgi.escape(text)
print(html)