http://andylin02.iteye.com/blog/908170


HTMLParser是Python自带的模块,使用简单,能够很容易的实现HTML文件的分析。
本文主要简单讲一下HTMLParser的用法.

使用时需要定义一个从类HTMLParser继承的类,重定义函数:

  • handle_starttag( tag, attrs)
  • handle_startendtag( tag, attrs)
  • handle_endtag( tag)

来实现自己需要的功能。

tag是的html标签,attrs是 (属性,值)元组(tuple)的列表(list).
HTMLParser自动将tag和attrs都转为小写。

下面给出的例子抽取了html中的所有链接:


from HTMLParser import HTMLParser


class MyHTMLParser(HTMLParser):

def __init__(self):

HTMLParser.__init__(self)

self.links = []


def handle_starttag(self, tag, attrs):

#print "Encountered the beginning of a %s tag" % tag

if tag == "a":

if len(attrs) == 0: pass

else:

for (variable, value) in attrs:

if variable == "href":

self.links.append(value)


if __name__ == "__main__":

html_code = """

<a href="www.google.com"> google.com</a>

<A Href="www.pythonclub.org"> PythonClub </a>

<A HREF = "www.sina.com.cn"> Sina </a>

"""

hp = MyHTMLParser()

hp.feed(html_code)

hp.close()

print(hp.links)

输出为:

['www.google.com', 'www.pythonclub.org', 'www.sina.com.cn']

如果想抽取图形链接

<img src='http://www.google.com/intl/zh-CN_ALL/p_w_picpaths/logo.gif' />

就要重定义 handle_startendtag( tag, attrs) 函数