四十八 常用内建模块 HTMLParser
2024-08-29 19:10:02
如果我们要编写一个搜索引擎,第一步是用爬虫把目标网站的页面抓下来,第二步就是解析该HTML页面,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了,第二步应该如何解析HTML呢?
HTML本质上是XML的子集,但是HTML的语法没有XML那么严格,所以不能用标准的DOM或SAX来解析HTML。
好在Python提供了HTMLParser来非常方便地解析HTML,只需简单几行代码:
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 href=\"#\">html</a> HTML 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,可以一部分一部分塞进去。
特殊字符有两种,一种是英文表示的
,一种是数字表示的Ӓ
,这两种字符都可以通过Parser解析出来。
小结
利用HTMLParser,可以把网页中的文本、图像等解析出来。
最新文章
- [转]ExtJs基础--Html DOM、Ext Element及Component三者之间的区别
- 初识JavaScript 变量, 操作符, 数组
- [转]为什么我要用 Node.js? 案例逐一介绍
- git 简明使用手册
- iOS 简单提示view
- JavaScript基础系列目录(2014.06.01~2014.06.08)
- 开发一个完整的JavaScript组件
- HDU 2639 (01背包第k优解)
- Testin_百度百科
- Spting +Spring MVC+spring date jsp +hibernate+jq
- Windows下杀掉全部的子线程
- eclipse、myeclipse写类时,自动生成注释
- solr7.7.0搜索引擎使用(一)(下载安装)
- Python3选择支持非ASCII码标识符的缘由
- WGAN源码解读
- sqli-labs(十)(过滤注释符)
- MyBatis中mybatis-generator代码生成的一般过程
- 牛客练习赛17 C 操作数(组合数+逆元)
- springMVC学习一 工作机制
- sqlserver监控阻塞(死锁)具体情况(转)