在Python中使用HTMLParser解析HTML的教程

如果我們要編寫一個搜尋引擎，第一步是用爬蟲把目標網站的頁面抓下來，第二步就是解析該HTML頁面，看看裡面的內容到底是新聞、圖片還是視頻。

假設第一步已經完成了，第二步應該如何解析HTML呢？

HTML本質上是XML的子集，但是HTML的文法沒有XML那麼嚴格，所以不能用標準的DOM或SAX來解析HTML。

好在Python提供了HTMLParser來非常方便地解析HTML，只需簡單幾行代碼：

from HTMLParser import HTMLParserfrom htmlentitydefs import name2codepointclass MyHTMLParser(HTMLParser):  def handle_starttag(self, tag, attrs):    print('<%s>' % tag)  def handle_endtag(self, tag):    print('' % tag)  def handle_startendtag(self, tag, attrs):    print('<%s/>' % tag)  def handle_data(self, data):    print('data')  def handle_comment(self, data):    print('')  def handle_entityref(self, name):    print('&%s;' % name)  def handle_charref(self, name):    print('&#%s;' % name)parser = MyHTMLParser()parser.feed('
Some html tutorial...
END
')

feed()方法可以多次調用，也就是不一定一次把整個HTML字串都塞進去，可以一部分一部分塞進去。

特殊字元有兩種，一種是英文表示的 ，一種是數字表示的Ӓ，這兩種字元都可以通過Parser解析出來。
小結

找一個網頁，例如https://www.python.org/events/python-events/，用瀏覽器查看源碼並複製，然後嘗試解析一下HTML，輸出Python官網發布的會議時間、名稱和地點。

