Python HTMLParser模組解析html擷取url執行個體

HTMLParser是python用來解析html的模組。它可以分析出html裡面的標籤、資料等等，是一種處理html的簡便途徑。HTMLParser採用的是一種事件驅動的模式，當HTMLParser找到一個特定的標記時，它會去調用一個使用者定義的函數，以此來通知程式處理。它主要的使用者回呼函數的命名都是以handler_開頭的，都是HTMLParser的成員函數。當我們使用時，就從HTMLParser派生出新的類，然後重新定義這幾個以handler_開頭的函數即可。這幾個函數包括：

handle_startendtag 處理開始標籤和結束標籤
handle_starttag 處理開始標籤，比如
handle_endtag 處理結束標籤，比如
handle_charref 處理特殊字元串，就是以&#開頭的，一般是內碼錶示的字元
handle_entityref 處理一些特殊字元，以&開頭的，比如
handle_data 處理資料，就是data中間的那些資料
handle_comment 處理注釋
handle_decl 處理handle_pi 處理形如<?instruction>的東西

這裡我以從網頁中擷取到url為例，介紹一下。要想擷取到url，肯定是要分析標籤，然後取到它的href屬性的值。下面是代碼：

#-*- encoding: gb2312 -*-import HTMLParserclass MyParser(HTMLParser.HTMLParser):  def __init__(self):    HTMLParser.HTMLParser.__init__(self)          def handle_starttag(self, tag, attrs):    # 這裡重新定義了處理開始標籤的函數    if tag == 'a':      # 判斷標籤的屬性      for name,value in attrs:        if name == 'href':          print value    if __name__ == '__main__':  a = 'test連結到163'    my = MyParser()  # 傳入要分析的資料，是html的。  my.feed(a)

