目录：Python3教程

第一章：Python和Pycharm 安装Python解释器 安装Pycharm 第二章：开始写Python程序 输出和输入 写Python程序的方式 运行Python程序的注意事项 第三章：Python基础语法 基本数据类型 变量和常量 初级运算符 高级运算符 再讲字符串 list类型 tuple类型 dict类型 set类型 条件判断 循环 第四章：函数 函数定义和调用 函数参数详解 匿名函数 闭包 装饰器 第五章：Python高级特性 切片迭代 推导式 生成器 迭代器 第六章：面向对象编程 类和对象 构造函数和访问控制 继承和多态 一切皆对象 第七章：面向对象高级编程 再讲动态绑定 使用__slots__ 使用@property 定制类 多重继承 type和元类 第八章：文件编程 文件IO 操作文件和目录 StringIO和BytesIO 序列化 第九章：异常处理和调试 异常处理 调试 第十章：模块 自定义模块 模块路径搜索 第十一章：常用内建模块 collections itertools base64 time xml urllib HTMLParser hashlib 第十二章：常用第三方模块 如何安装第三方模块 第三方图片处理模块PIL 第十三章：虚拟环境 第十四章：常用设计模式 工厂方法模式 单例模式 策略模式 装饰模式 迭代器模式 观察者模式 第十五章：多进程、多线程和协程 多进程 多线程 协程 第十六章：网络编程 TCP编程 详解TCP协议栈 多线程聊天 粘包和分包处理 UDP编程 FTP编程 电子邮件编程 异步网络模型 第十七章：界面编程 PyQt模块 常用界面功能 消息循环 信号和槽 常用控件 常用控件II 布局管理 QtDesigner 工作者线程 精品计算器 第十八章：项目实战

HTMLParser

阅读：227568829 分享到

我们前面用 urllib2 爬取了 老鸟python 首页，第二步就是解析该 HTML 页面，比如看看里面的内容到底是文本，图片还是视频等等。HTML 本质上是 XML 的子集，但是 HTML 的语法没有 XML 那么严格，所以不能用标准的 DOM 或 SAX 来解析 HTML，Python 提供了 HTMLParser 来非常方便地解析 HTML。

使用 HTMLParser

我们只需要定义一个 HTMLParser 的子类，然后重写一些函数，就可以解析网页了。

from html.parser import HTMLParser

class MyHtmlParser(HTMLParser):
    def handle_starttag(self, tag, attrs):
        print("<%s>" % tag)

    def handle_endtag(self, tag):
        print("</%s>" % tag)

    def handle_starendtag(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()
html = "<html><head></head><body><p>老鸟python</p></body>"
parser.feed(html)

feed 函数可以多次调用，也就是不一定一次把整个 HTML 字符串都塞进去，可以一部分一部分塞进去。

from html.parser import HTMLParser

class MyHtmlParser(HTMLParser):
    def handle_starttag(self, tag, attrs):
        print("<%s>" % tag)

    def handle_endtag(self, tag):
        print("</%s>" % tag)

    def handle_starendtag(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()
htmlone = "<html><head></head><body>"
htmltwo = "<p>老鸟python</p></body>"
parser.feed(htmlone)
parser.feed(htmltwo)