HTMLParser是python用来解析html的模块。它可以分析出html里面的标签、数据等等，是一种处理html的简便途径。HTMLParser采用的是一种事件驱动的模式，当HTMLParser找到一个特定的标记时，它会去调用一个用户定义的函数，以此来通知程序处理。它主要的用户回调函数的命名都是以handler_开头的，都是HTMLParser的成员函数。当我们使用时，就从HTMLParser派生出新的类，然后重新定义这几个以handler_开头的函数即可。这几个函数包括：
handle_startendtag 处理开始标签和结束标签
handle_starttag 处理开始标签，比如<xx>
handle_endtag 处理结束标签，比如</xx>
handle_charref 处理特殊字符串，就是以&#开头的，一般是内码表示的字符
handle_entityref 处理一些特殊字符，以&开头的，比如
handle_data 处理数据，就是<xx>data</xx>中间的那些数据
handle_comment 处理注释
handle_decl 处理<!开头的，比如<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
handle_pi 处理形如<?instruction>的东西
这里我以从网页中获取到url为例，介绍一下。要想获取到url，肯定是要分析<a>标签，然后取到它的href属性的值。下面是代码：
#-*-encoding:gb2312-*-
importHTMLParser
classMyParser(HTMLParser.HTMLParser):
def__init__(self):
HTMLParser.HTMLParser.__init__(self)
defhandle_starttag(self,tag,attrs):
#这里重新定义了处理开始标签的函数
iftag=='a':
#判断标签<a>的属性
forname,valueinattrs:
ifname=='href':
printvalue
if__name__=='__main__':
a='<html><head><title>test</title><body><ahref="http://www.163.com">链接到163</a></body></html>'
my=MyParser()
#传入要分析的数据，是html的。
my.feed(a)
importHTMLParser
classMyParser(HTMLParser.HTMLParser):
def__init__(self):
HTMLParser.HTMLParser.__init__(self)
defhandle_starttag(self,tag,attrs):
#这里重新定义了处理开始标签的函数
iftag=='a':
#判断标签<a>的属性
forname,valueinattrs:
ifname=='href':
printvalue
if__name__=='__main__':
a='<html><head><title>test</title><body><ahref="http://www.163.com">链接到163</a></body></html>'
my=MyParser()
#传入要分析的数据，是html的。
my.feed(a)
相关推荐
Creates a Parser object with the location of the resource (URL or file) You would typically create a DefaultHTMLParserFeedback object and pass it in. Parser(URLConnection connection) Construct a ...
The plistlib module: A Property-List Parser ctypes Enhancements Improved SSL Support Deprecations and Removals Build and C API Changes Port-Specific Changes: Windows Port-Specific Changes: Mac OS...
怎么运行的使用urllib.request.urlopen(url)获取页面内容，然后使用解析html并将此参数作为features=html.parser 。 然后，我们就可以深入研究html内容并过滤所需的元素。 在这种情况下，该表具有唯一的标识符，因此...
* # integrate a new version linkparser provided by XIE Han * # according to all MD5 values of pages content, * for all the pages not seen before, store a new page * Updated: Nov 21 2003. ...
dependency on blank.html removed * CSS-only themeing now available on all widgets * NW_getFileTxt() now supports same-page URL caching * resizeable components can now have minimum and maximum widths ...
More on HTML and URL Escapes Section 12.7. Sending Files to Clients and Servers Chapter 13. Larger Web Site Examples I Section 13.1. "Things to Do When Visiting Chicago" Section 13.2. The ...
## select the classic query parser #hibernate.query.factory_class org.hibernate.hql.internal.classic.ClassicQueryTranslatorFactory ################# ### Platforms ### ################# ## JNDI ...
可以从本地磁盘（仅节点），同源URL和File实例（HTML5 File API）读取文件。 用法 安装： $ npm i -S id3js AJAX 您可以通过URL解析远程MP3的ID3标签： < script type =" module " > import * as id3 from...
XML的parser发展为两类：一种是"非确认类paeser"，只检测文档是否遵守XML语法规则，是否用元素标识建立了文档树。另一种是"确认类paeser"，它不但检测文档语法，结构树，而且比较解析你使用的元素标识是否遵守了相应...
using namespace std;int main(){req my_request; //GET method and firefox user agent used by defaultresp my_response = ... //very basic html parser }这会将GET请求发送到指定的URL并进行一些基本的解析以显示网
15)..Added: Expanding environment variables for "Support URL" 16)..Fixed: Range-check error on systems with MBCS ACP 17)..Fixed: 64-bit shared memory manager may not work 18)..Fixed: Possible "Unit ...
URL=http://c98.yeah.net"> 简单邮件 <a href="mailto:aaa@bbb.com?subject=ccc&body=xxxyyy"> 快速转到位置 obj.scrollIntoView(true) 锚 <a name="first"> <a href="#first">anchors 网页传递参数 ...
UDDI and ebXML Standard Formats ....................................................................................... 52 Java EE Application Assembly andDeployment .....................................
从SQL中的一个表中导出HTML文件表格 获取數据库表的前N条记录 几段SQL Server语句和存储过程 生成表中的数据的脚本 最详细的SQL注入相关的命令整理 Oracle Oracle中PL/SQL单行函数和组函数详解 mssql+oracle Oracle...