快捷導(dǎo)航

python中HTMLParser模塊知識(shí)點(diǎn)總結(jié)

更新時(shí)間：2021年01月25日 14:45:07 作者：十一

在本篇文章里小編給大家整理的是一篇關(guān)于python中HTMLParser模塊知識(shí)點(diǎn)內(nèi)容，有興趣的朋友們可以跟著學(xué)習(xí)下。

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

安裝：

npm install htmlparser

htmlparser提供構(gòu)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(yǔ)法沒(méi)有XML那么嚴(yán)格，大家也可以嘗試?yán)肏TMLParser解析HTML。

知識(shí)點(diǎn)擴(kuò)展：

常用方法介紹

l feed(data)：主要用于接受帶html標(biāo)簽的str，當(dāng)調(diào)用這個(gè)方法時(shí)并提供相應(yīng)的data時(shí)，整個(gè)實(shí)例（instance）開(kāi)始執(zhí)行，結(jié)束執(zhí)行close()。

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

例如，連接的start tag是<a>，那么對(duì)應(yīng)的參數(shù)tag＝'a'（小寫(xiě))。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(xiě)）。

例如，對(duì)于<A http://www.baidu.com)]）.

l handle_endtag(tag)：跟上述一樣，只是處理的是結(jié)束標(biāo)簽，也就是以</開(kāi)頭的標(biāo)簽。

l handle_data(data)：處理的是網(wǎng)頁(yè)的數(shù)據(jù)，也就是開(kāi)始標(biāo)簽和結(jié)束標(biāo)簽之間的內(nèi)容。例如：<script>...</script>的省略號(hào)內(nèi)容

l handle_comment(data) ，處理注釋，之間的文本

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

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

您可能感興趣的文章: