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: