怎么實(shí)現(xiàn)HTMLParser解析HTML-創(chuàng)新互聯(lián)
創(chuàng)新互聯(lián)www.cdcxhl.cn八線動態(tài)BGP香港云服務(wù)器提供商，新人活動買多久送多久，劃算不套路！
這篇文章運(yùn)用簡單易懂的例子給大家介紹怎么實(shí)現(xiàn)HTMLParser解析HTML，代碼非常詳細(xì)，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。
對于我們用Python實(shí)現(xiàn)的爬蟲首要任務(wù)可以分為兩個(gè)步驟，第一步是用爬蟲把目標(biāo)網(wǎng)站的頁面抓下來，第二步就是解析該HTML頁面，看看里面的內(nèi)容到底是新聞、圖片還是視頻。
假設(shè)第一步已經(jīng)完成了，第二步應(yīng)該如何解析HTML呢？
HTML本質(zhì)上是XML的子集，但是HTML的語法沒有XML那么嚴(yán)格，所以不能用標(biāo)準(zhǔn)的DOM或SAX來解析HTML。
好在Python提供了HTMLParser來非常方便地解析HTML，只需簡單幾行代碼：
from HTMLParser import HTMLParser
from htmlentitydefs import name2codepoint
class MyHTMLParser(HTMLParser):
def handle_starttag(self, tag, attrs):
print('<%s>' % tag)
def handle_endtag(self, tag):
print('' % tag)
def handle_startendtag(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()
parser.feed('Some html tutorial...
END
')feed()方法可以多次調(diào)用，也就是不一定一次把整個(gè)HTML字符串都塞進(jìn)去，可以一部分一部分塞進(jìn)去。
特殊字符有兩種，一種是英文表示的 ，一種是數(shù)字表示的?，這兩種字符都可以通過Parser解析出來。
小結(jié)
找一個(gè)網(wǎng)頁，例如https://www.python.org/events/python-events/，用瀏覽器查看源碼并復(fù)制，然后嘗試解析一下HTML，輸出Python官網(wǎng)發(fā)布的會議時(shí)間、名稱和地點(diǎn)。
關(guān)于怎么實(shí)現(xiàn)HTMLParser解析HTML就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。
網(wǎng)站標(biāo)題：怎么實(shí)現(xiàn)HTMLParser解析HTML-創(chuàng)新互聯(lián)
分享網(wǎng)址：http://m.jiaotiyi.com/article/dpjcgi.html