HTMLParser

如果我们要编写一个搜索引擎，第一步是使用爬虫将目标网站的页面抓取过来，第二步就是解析该HTML页面内容，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，第二步该如何解析HTML呢？

HTML本质上是XML的子集，但是HTML语法上没有XML那么严格，所以不能使用标准的DOM或SAX来解析HTML。

好在Python提供了HTMLParser来非常方便的解析HTML，只需简单的几行代码:
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('<!--',data,'-->')

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

    def handle_charref(self,name):

        print('&#%s' % name)

parser =MyHTMLParser()

parser.feed('''<html>

<head></head>

<body>

<!-- test html parser -->

   <p>Some <a herf =\"#\">html</a> HTML &nbsp:tutorial...<br>END</p>

</body></html>''')

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，可以一部分一部分的塞。

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：
通过HTMLParser可以把网页中的文本图像解析出来。