Python用HTMLParser解析HTML文件

lx86

　　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).
　　如一个标签为：
　　那么它的attrs列表为[('type', 'hidden'), ('name', 'NXX'), ('id', 'IDXX'), ('value', 'VXX')]
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：

代码

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 = """
     google.com
     PythonClub
     Sina
    """
    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
　　

　　就要重定义 handle_startendtag( tag, attrs) 函数