欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python—解析HTML页面(HTMLParser)

程序员文章站 2022-05-29 08:04:54
HTMLParser类的定义及常用方法 类的定义 HTMLParser主要是用来解析HTML文件(包括HTML中无效的标记)。 参数convert_charrefs表示是否将所有的字符引用自动转化为Unicode形式,Python3.5以后默认是True。 HTMLParser可以接收相应的HTML ......

htmlparser类的定义及常用方法

类的定义

  • htmlparser主要是用来解析html文件(包括html中无效的标记)。
  • 参数convert_charrefs表示是否将所有的字符引用自动转化为unicode形式,python3.5以后默认是true。
  • htmlparser可以接收相应的html内容,并进行解析,遇到html的标签会自动调用相应的handler(处理方法)来处理,用户需要自己创建相应的子类来继承htmlparser,并且复写相应的handler方法。
  • htmlparser不会检查开始标签和结束标签是否是一对。

常用方法

  • htmlparser.feed(data):接收一个字符串类型的html内容,并进行解析。
  • htmlparser.close():当遇到文件结束标签后进行的处理方法。如果子类要复写该方法,需要首先调用htmlparser累的close()。
  • htmlparser.reset():重置htmlparser实例,该方法会丢掉未处理的html内容。
  • htmlparser.getpos():返回当前行和相应的偏移量。
  • htmlparser.handle_starttag(tag, attrs):对开始标签的处理方法。例如<div id="main">,参数tag指的是div,attrs指的是一个(name,value)的列表,即列表里面装的数据是元组。
  • htmlparser.handle_endtag(tag):对结束标签的处理方法。例如</div>,参数tag指的是div。
  • htmlparser.handle_startendtag(tag, attrs):识别没有结束标签的html标签,例如<img />等。
  • htmlparser.handle_data(data):对标签之间的数据的处理方法。<tag>test</tag>,data指的是“test”。
  • htmlparser.handle_comment(data):对html中注释的处理方法。

解释部分:

  • tag表示的是html标签,attrs是一个列表,列表元素为一个个“(属性,值)”形式的元组。 
  • htmlparser会自动将tag和attrs都转为小写。

实例应用

try:
    from htmlparser import htmlparser
except:
    from html.parser import htmlparser

class myhtmlparser(htmlparser):
    def __init__(self):
        htmlparser.__init__(self)
        self.data = []   # 定义data数组用来存储html中的数据
        self.links = []  
           
    def handle_starttag(self, tag, attrs):
        print('<%s>' % tag) 
        if tag == "a":
            if len(attrs) == 0: pass
            else:
                for (variable, value)  in attrs:
                    if variable == "href":
                        self.links.append(value)
    
    def handle_endtag(self, tag):
        print('</%s>' % tag)

    def handle_startendtag(self, tag, attrs):
        print('<%s/>' % tag)

    def handle_data(self, data):
        print('data===>', data)

    def handle_comment(self, data):
        print('<!--', data, '-->')

    def handle_entityref(self, name):
        print('&%s;' % name)

    def handle_charref(self, name):
        print('&#%s;' % name)
        
if __name__ == "__main__":
    html_code = '''<html>
			<head>这是头标签</head>
			<body>
			    <!-- test html parser -->
			    <p>some <a href=\"#\">html</a> html&nbsp;&#1234; ӓtutorial...<br>end</p>
			</body></html>'''
    parser = myhtmlparser()
    parser.feed(html_code)
    parser.close()
    print(parser.data)
    print(parser.links)

处理html转义字符

在 html 中 <、>、& 等字符有特殊含义(<,> 用于标签中,& 用于转义),他们不能在 html 代码中直接使用,如果要在网页中显示这些符号,就需要使用 html 的转义字符串(escape sequence),例如 < 的转义字符是 <,浏览器渲染 html 页面时,会自动把转移字符串换成真实字符。

转义字符(escape sequence)由三部分组成:第一部分是一个 & 符号,第二部分是实体(entity)名字,第三部分是一个分号。 比如,要显示小于号(<),就可以写 &lt;。

html = '&lt;abc&gt;'

# 反转义:方式1
try:
    from htmlparser import htmlparser
except:
    from html.parser import htmlparser
html_parser = htmlparser()
text = html_parser.unescape(html)
print(text)

# 反转义:方式2
import html
text = html.unescape('a=1&b=2')
print(text)

# 转义
import cgi
html = cgi.escape(text)
print(html)