61.HTMLParser

如果我们要编写一个搜索引擎，第一步是用爬虫把目标网站的页面抓下来，第二步就是解析该HTML页面，看看里面的内容到底是新闻、图片还是视频。

假设第一步已经完成了，第二步应该如何解析HTML呢？

HTML本质上是XML的子集，但是HTML的语法没有XML那么严格，所以不能用标准的DOM或SAX来解析HTML。

好在Python提供了HTMLParser来非常方便地解析HTML，只需简单几行代码：

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(‘‘)

def handle_entityref(self, name):

print(‘&%s;’ % name)

def handle_charref(self, name):

print(‘&#%s;’ % name)

parser = MyHTMLParser()

parser.feed(‘’’

Some html HTML tutorial...
END

''')

feed()方法可以多次调用，也就是不一定一次把整个HTML字符串都塞进去，可以一部分一部分塞进去。

特殊字符有两种，一种是英文表示的&nbsp;，一种是数字表示的&#1234;，这两种字符都可以通过Parser解析出来。

小结

利用HTMLParser，可以把网页中的文本、图像等解析出来。