python中HTMLParser模塊知識點總結
本章內容,我們主要來講一下Python內置的HTML解析庫HTMLParser模塊,基本上也是應用於頁面抓取上,假設,我們需要去收集頁面上已存在的靜態鏈接,但是頁面肯定代碼量都非常大,並且頁面也很多,這樣看來,會比較麻煩,工作量也非常大,這個時候,我們就可以用到htmlparser模塊,一起來瞭解具體使用內容。
安裝:
npm install htmlparser
htmlparser提供構造函數:
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本質上是XML的子集,但是HTML的語法沒有XML那麼嚴格,大傢也可以嘗試利用HTMLParser解析HTML。
知識點擴展:
常用方法介紹
l feed(data):主要用於接受帶html標簽的str,當調用這個方法時並提供相應的data時,整個實例(instance)開始執行,結束執行close()。
l handle_starttag(tag, attrs): 這個方法接收Parse_starttag返回的tag和attrs,並進行處理,處理方式通常由使用者進行覆蓋,本身為空。
例如,連接的start tag是<a>,那麼對應的參數tag=’a’(小寫)。attrs是start tag <>中的屬性,以元組形式(name, value)返回(所有這些內容都是小寫)。
例如,對於<A HREF=”http://www.baidu.com“>,那麼內部調用形式為:handle_starttag(’a’,[(‘href’,’http://www.baidu.com)]).
l handle_endtag(tag):跟上述一樣,隻是處理的是結束標簽,也就是以</開頭的標簽。
l handle_data(data):處理的是網頁的數據,也就是開始標簽和結束標簽之間的內容。例如:<script>…</script>的省略號內容
l handle_comment(data) ,處理註釋,<!– –>之間的文本
l reset():將實例重置,包括作為參數輸入的數據進行清空。
到此這篇關於python中HTMLParser模塊知識點總結的文章就介紹到這瞭,更多相關python中HTMLParser模塊是什麼內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
到此這篇關於python中HTMLParser模塊知識點總結的文章就介紹到這瞭,更多相關python中HTMLParser模塊是什麼內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- python 提取html文本的方法
- python爬蟲beautifulsoup庫使用操作教程全解(python爬蟲基礎入門)
- python beautifulsoup4 模塊詳情
- python爬蟲之異常捕獲及標簽過濾詳解
- Python爬取求職網requests庫和BeautifulSoup庫使用詳解