http://blog.csdn.net/my2010sam/article/details/14526223
---------------------
对html的解析是网页抓取的基础，分析抓取的结果找到自己想要的内容或标签以达到抓取的目的。
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<xx> tag不区分大小写handle_endtag 处理结束标签，比如</xx>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<xx>data</xx>中间的那些数据handle_comment 处理注释handle_decl 处理<!开头的，比如<!DOCTYPE html PUBLIC “-//W3C//DTD HTML 4.01 Transitional//EN”handle_pi 处理形如<?instruction>的东西def handle_starttag(self,tag,attr):
#注意：tag不区分大小写，此时也可以解析 <A 标签
# SGMLParser 会在创建attrs 时将属性名转化为小写。
if tag=='a':
for href,link in attr:
if href.lower()=="href":
pass
1. 基本解析，找到开始和结束标签
[python] view plaincopy
<span style="font-size:18px;">#coding:utf-8 from HTMLParser import HTMLParser ''''' HTMLParser的成员函数: handle_startendtag 处理开始标签和结束标签 handle_starttag 处理开始标签，比如<xx> handle_endtag 处理结束标签，比如</xx> 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<xx>data</xx>中间的那些数据 handle_comment 处理注释 handle_decl 处理<!开头的，比如<!DOCTYPE html PUBLIC “-//W3C//DTD HTML 4.01 Transitional//EN” handle_pi 处理形如<?instruction>的东西 ''' class myHtmlParser(HTMLParser): #处理<!开头的内容 def handle_decl(self,decl): PRint 'Encounter some declaration:'+ decl def handle_starttag(self,tag,attrs): print 'Encounter the beginning of a %s tag' % tag def handle_endtag(self,tag): print 'Encounter the end of a %s tag' % tag #处理注释 def handle_comment(self,comment): print 'Encounter some comments:' + comment if __name__=='__main__': a = '<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">\ <html><head><!--insert javaScript here!--><title>test</title><body><a href="http: //www.163.com">链接到163</a></body></html>' m=myHtmlParser() m.feed(a) m.close() 输出结果： Encounter some declaration:DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd" Encounter the beginning of a html tag Encounter the beginning of a head tag Encounter some comments:insert Javascript here! Encounter the beginning of a title tag Encounter the end of a title tag Encounter the beginning of a body tag Encounter the beginning of a a tag Encounter the end of a a tag Encounter the end of a body tag Encounter the end of a html tag</span>
2. 解析html的超链接和链接显示的内容
[python] view plaincopy
<span style="font-size:18px;">#coding:utf-8 from HTMLParser import HTMLParser class myHtmlParser(HTMLParser): def __init__(self): HTMLParser.__init__(self) self.flag=None # 这里重新定义了处理开始标签的函数 def handle_starttag(self,tag,attrs): # 判断标签<a>的属性 if tag=='a': self.flag='a' for href,link in attrs: if href=='href': print "href:",link def handle_data(self,data): if self.flag=='a': print "data:",data.decode('utf-8') if __name__ == '__main__': a = '<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">\ <html><head><!--insert javaScript here!--><title>test</title><body><a href="http: //www.163.com">链接到163</a></body></html>' m=myHtmlParser() m.feed(a) m.close() 输出结果： href: http: //www.163.com data: 链接到163</span>
或：
[python] view plaincopy
<span style="font-size:18px;">#coding:utf-8 from HTMLParser import HTMLParser import urllib2 class myparser(HTMLParser): # 继承父类初始化方法，并添加一个tag属性 def __init__(self): HTMLParser.__init__(self) self.tag = None def handle_decl(self,decl): print u"声明：",decl def handle_starttag(self,tag,attrs): print u"开始标签；",tag # 判断是否是a开头的标签 if tag=='a' and len(attrs): #设置 self.tag 标记 self.tag='a' for href,link in attrs: if href=='href': print href+":"+link def handle_endtag(self,tag): print u"结束标签：",tag def handle_data(self,data): #处理 a 标签开头的数据 if self.tag=='a': print u"数据内容：",data.decode("utf-8") def handle_comment(self,comm): print u"注释：",comm if __name__ == '__main__': a = '<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">\ <html><head><!--insert javaScript here!--><title>test</title><body><a href="http: //www.163.com">链接到163</a><a href="http: //www.baidu.com">百度</a></body></html>' m = myparser() m.feed(a) 结果： 声明： DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd" 开始标签； html 开始标签； head 注释： insert javaScript here! 开始标签； title 结束标签： title 开始标签； body 开始标签； a href:http: //www.163.com 数据内容： 链接到163 结束标签： a 开始标签； a href:http: //www.baidu.com 数据内容： 百度 结束标签： a 结束标签： body 结束标签： html</span>