python模块引见- HTMLParser 简单的HTML和XHTML解析器
日期：2014-05-16 浏览次数：20682 次
python模块介绍- HTMLParser 简单的HTML和XHTML解析器
2013-09-11 磁针石
#承接软件自动化实施与培训等gtalk：ouyangchongwu#gmail.comqq 37391319
#博客:http://blog.csdn.net/oychw
#版权所有，转载刊登请来函联系
# 深圳测试自动化python项目接单群113938272深圳广州软件测试开发 6089740
#深圳湖南人业务户外群 66250781武冈洞口城步新宁乡情群49494279
#参考资料：python手册
注意
HTMLParser的模块已经在Python 3中更名为html.parser。 2to3工具会自动转换import语句到Python3。
python2.2新增该模块。
源代码：lib/ HTMLParser.py
简介
该模块定义了一个HTMLParse类作为解析格式化的文本文件HTML（超文本标记语言）和XHTML的基础。不像htmllib的解析器，这个解析器不基于sgmllib模块的SGML解析器。
class HTMLParser.HTMLParser
HTMLParser的实例接受html数据，在碰到开始tag，结束tag，文本，注释和其他标记元素时调用对应的处理方法。用户需要继承的HTMLParser并重载一些方法来实现期望的行为。
HTMLParser类无任何参数。
不像htmllib的解析器，解析器不检查结束标签是否匹配开始标签，或为隐式关闭标签调用结束标签处理器。
另htmllib和sgmllib在python3已经被取消，不建议使用。
异常：
exception HTMLParser.HTMLParseError
HTMLParser的是能够处理零碎的标签，但在某些情况下，它也可能会遇到错误而引发异常。此异常提供了三个属性：msg是一个简短描述错误的消息，lineno行号，offset列偏移。
简单实例：
fromHTMLParser import HTMLParser
fromhtmlentitydefs import name2codepoint
classMyHTMLParser(HTMLParser):
def handle_starttag(self, tag, attrs):
print "Start tag:", tag
for attr in attrs:
print " attr:", attr
def handle_endtag(self, tag):
print "End tag :", tag
def handle_data(self, data):
print "Data :", data
def handle_comment(self, data):
print "Comment :", data
def handle_entityref(self, name):
c = unichr(name2codepoint[name])
print "Named ent:", c
def handle_charref(self, name):
if name.startswith('x'):
c = unichr(int(name[1:], 16))
else:
c = unichr(int(name))
print "Num ent :", c
def handle_decl(self, data):
print "Decl :", data
parser= MyHTMLParser()
printparser.feed('<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN"''"http://www.w3.org/TR/html4/strict.dtd">')
printparser.feed('<img src="python-logo.png" alt="The Pythonlogo">')
执行结果：
Decl : DOCTYPE HTML PUBLIC "-//W3C//DTDHTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd"
None
Starttag: img
attr: ('src', 'python-logo.png')
attr: ('alt', 'The Python logo')
None
HTMLParser的方法：
HTMLParser.feed(data
