Python HTMLParser模塊解析html獲取url實例

更新時間：2015年04月08日 11:13:54 投稿：junjie

這篇文章主要介紹了Python HTMLParser模塊解析html獲取url實例,HTMLParser是python用來解析html的模塊,HTMLParser采用的是一種事件驅(qū)動的模式,需要的朋友可以參考下

HTMLParser是python用來解析html的模塊。它可以分析出html里面的標簽、數(shù)據(jù)等等，是一種處理html的簡便途徑。HTMLParser采用的是一種事件驅(qū)動的模式，當HTMLParser找到一個特定的標記時，它會去調(diào)用一個用戶定義的函數(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)。當我們使用時，就從HTMLParser派生出新的類，然后重新定義這幾個以handler_開頭的函數(shù)即可。這幾個函數(shù)包括：

handle_startendtag 處理開始標簽和結(jié)束標簽
handle_starttag     處理開始標簽，比如<xx>
handle_endtag       處理結(jié)束標簽，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簽的函數(shù)
    if tag == 'a':
      # 判斷標簽<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 
  
  my = MyParser()
  # 傳入要分析的數(shù)據(jù)，是html的。
  my.feed(a)

您可能感興趣的文章: