Python 用HTMLParser解析HTML文件

于一

　　
Python 用HTMLParser解析HTML文件

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/images/logo.gif' />
就要重定义 handle_startendtag( tag, attrs) 函数