python笔记：常用内建模块—HTMLParser（细节补充）
一、HTMLParser中几种handler_开头的函数
HTMLParser是python用来解 析html的模块。它可以分析出html里面的标签、数据等等，是一种处理html的简便途径。 HTMLParser采用的是一种事件驱动的模式，当HTMLParser找到一个特定的标记时，它会去调用一个用户定义的函数，以此来通知程序处理。它主要的用户回调函数的命名都是以handler_开头的，都是HTMLParser的成员函数。当我们使用时，就从HTMLParser派生出新的类，然后重新定义这几个以handler_开头的函数即可。这几个函数包括：
handle_startendtag 处理开始标签和结束标签
handle_starttag 处理开始标签，比如
handle_endtag 处理结束标签，比如
handle_charref 处理特殊字符串，就是以&#开头的，一般是内码表示的字符
handle_entityref 处理一些特殊字符，以&开头的，比如
handle_data 处理数据，就是
handle_comment 处理注释
handle_decl 处理
handle_pi 处理形如的东西
二、大佬写的经典的内容转载
Python的自带模块——HTMLParser的初步学习
https://blog.csdn.net/weixin_35955795/article/details/52823203
Python中使用HTMLParser解析html实例
https://www.jb51.net/article/60867.htm
Python 网页解析HTMLParse的实例详解
https://www.jb51.net/article/120779.htm
三、从基本例子看HTMLParser的解析步骤及要点
步骤1、准备一个模拟的html文件：
步骤2、使用HTMLParser解析html代码
import html.parser as h class MyHTMLParser(h.HTMLParser): a_t=False def handle_starttag(self, tag, attrs): #print("开始一个标签:",tag) if str(tag).startswith("title"): print(tag) self.a_t=True for attr in attrs: print(" 属性值：",attr) def handle_endtag(self, tag): if tag == "title": self.a_t=False #print("结束一个标签:",tag) def handle_data(self, data): if self.a_t is True: print("得到的数据: ",data) p=MyHTMLParser()
p.feed(" 我是标题 我是内容 ")
p.close() 步骤3、运行
如果将上述代码中间：
for attr in attrs: print(" 属性值：",attr) 改为：
print(" 属性值：",attrs[1][1])全部代码如下：
import html.parser as h class MyHTMLParser(h.HTMLParser): a_t=False def handle_starttag(self, tag, attrs): print("开始一个标签:",tag) if str(tag).startswith("title"): self.a_t=True print(" 属性值：",attrs[1][1])def handle_endtag(self, tag): if tag == "title": self.a_t=False print("结束一个标签:",tag) def handle_data(self, data): if self.a_t is True: print("得到的数据: ",data)
p=MyHTMLParser()
p.feed(" 我是标题 我是内容 ")
p.close() 运行：
总结：通过上述代码运行结果可以明显看出tag是的html标签，attrs是 (属性，值)元组(tuple)的列表(list)，上述例子中attrs的值实际上是[('id',main),('mouse',你好)]
四、验证attrs是否是元组的列表list
对于以上总结，进行验证，验证attrs是否是元组的列表list
如果是元组的列表list，则需要满足以下的条件：
1、可以用二维数组的形式获取值，比如attr[0][1]="main"
2、list是可变对象，可以使用append()方法添加值
代码：
from html.parser import HTMLParser
from html.entities import name2codepoint
from urllib import request
import re
from html.entities import name2codepoint
class MyHTMLParser(HTMLParser):def __init__(self):HTMLParser.__init__(self)self.time=""self.ttag=""self.flag=0def handle_starttag(self, tag, attrs):self.ttag=tagtry:if self.ttag=="h3" and attrs[0][1]=="event-title":self.flag=1if self.flag==1 and tag=="a" and "events/python-events/" in attrs[0][1]:self.ttag="etitle"if self.ttag=="time": self.time=attrs[0][1]if self.ttag=="span" and attrs[0][1]=="event-location":self.ttag="addr"except IndexError:passdef handle_data(self, data):if self.ttag=="etitle":print("----------------------------------------------------------------------------")print("会议主题:",data)elif self.ttag=="time":print("会议时间:",data)elif self.ttag=="addr":print("会议地点:",data)self.ttag=""self.flag=0url = 'https://www.python.org/events/python-events/'
try:with request.urlopen(url) as f:data = f.read().decode('utf-8')
except HTTPError:print('Error getting page source')
parse = MyHTMLParser()
parse.feed(data)运行：
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！