?html.parser --- 简单的 HTML 和 XHTML 解析器?
源代码：?Lib/html/parser.py
这个模块定义了一个?HTMLParser?类，为 HTML（超文本标记语言）和 XHTML 文本文件解析提供基础。
class?html.parser.HTMLParser(*,?convert_charrefs=True)
创建一个能解析无效标记的解析器实例。
如果?convert_charrefs?为?True?(默认值)，则所有字符引用(?script/style?元素中的除外)都会自动转换为相应的 Unicode 字符。
一个?HTMLParser?类的实例用来接受 HTML 数据，并在标记开始、标记结束、文本、注释和其他元素标记出现的时候调用对应的方法。要实现具体的行为，请使用?HTMLParser?的子类并重载其方法。
这个解析器不检查结束标记是否与开始标记匹配，也不会因外层元素完毕而隐式关闭了的元素引发结束标记处理。
在 3.4 版更改:?convert_charrefs?关键字参数被添加。
在 3.5 版更改:?convert_charrefs?参数的默认值现在为?True。
HTML 解析器的示例程序
下面是简单的 HTML 解析器的一个基本示例，使用?HTMLParser?类，当遇到开始标记、结束标记以及数据的时候将内容打印出来。
from html.parser import HTMLParser
class MyHTMLParser(HTMLParser):
def handle_starttag(self, tag, attrs):
print("Encountered a start tag:", tag)
def handle_endtag(self, tag):
print("Encountered an end tag :", tag)
def handle_data(self, data):
print("Encountered some data :", data)
parser = MyHTMLParser()
parser.feed('<html><head><title>Test</title></head>'
'<body><h1>Parse me!</h1></body></html>')
输出是:
Encountered a start tag: html Encountered a start tag: head Encountered a start tag: title Encountered some data : Test Encountered an end tag : title Encountered an end tag : head Encountered a start tag: body Encountered a start tag: h1 Encountered some data : Parse me! Encountered an end tag : h1 Encountered an end tag : body Encountered an end tag : html
HTMLParser?方法
HTMLParser?实例有下列方法：
HTMLParser.feed(data)
填充一些文本到解析器中。如果包含完整的元素，则被处理；如果数据不完整，将被缓冲直到更多的数据被填充，或者?close()?被调用。data?必须为?str?类型。
HTMLParser.close()
如同后面跟着一个文件结束标记一样，强制处理所有缓冲数据。这个方法能被派生类重新定义，用于在输入的末尾定义附加处理，但是重定义的版本应当始终调用基类?HTMLParser?的?close()?方法。
HTMLParser.reset()
重置实例。丢失所有未处理的数据。在实例化阶段被隐式调用。
HTMLParser.getpos()
返回当前行号和偏移值。
HTMLParser.get_starttag_text()
返回最近打开的开始标记中的文本。 结构化处理时通常应该不需要这个，但在处理“已部署”的 HTML 或是在以最小改变来重新生成输入时可能会有用处（例如可以保留属性间的空格等）。
下列方法将在遇到数据或者标记元素的时候被调用。他们需要在子类中重载。基类的实现中没有任何实际操作（除了?handle_startendtag()?）：
HTMLParser.handle_starttag(tag,?attrs)
调用此方法来处理一个元素的开始标记 (例如?<div?id="main">)。
tag?参数是小写的标记名。attrs?参数是一个?(name,?value)?形式的列表，包含了所有在标记的?<>?括号中找到的属性。name?转换为小写，value?的引号被去除，字符和实体引用都会被替换。
实例中，对于标签?<A?HREF="https://www.cwi.nl/">，这个方法将以下列形式被调用?handle_starttag('a',?[('href',?'https://www.cwi.nl/')])?。
html.entities?中的所有实体引用，会被替换为属性值。
HTMLParser.handle_endtag(tag)
此方法被用来处理元素的结束标记（例如：?</div>?）。
tag?参数是小写的标签名。
HTMLParser.handle_startendtag(tag,?attrs)
类似于?handle_starttag(), 只是在解析器遇到 XHTML 样式的空标记时被调用（?<img?...?/>）。这个方法能被需要这种特殊词法信息的子类重载；默认实现仅简单调用?handle_starttag()?和?handle_endtag()?。
HTMLParser.handle_data(data)
这个方法被用来处理任意数据（例如：文本节点和?<script>...</script>?以及?<style>...</style>?中的内容）。
HTMLParser.handle_entityref(name)
这个方法被用于处理?&name;?形式的命名字符引用（例如?>），其中?name?是通用的实体引用（例如：?'gt'）。如果?convert_charrefs?为?True，该方法永远不会被调用。
HTMLParser.handle_charref(name)
调用该方法来处理?&#NNN;?和?&#xNNN;?形式的十进制和十六进制数字字符引用。 例如，>?的等价十进制形式为?>，而十六进制形式则为?>；在这种情况下，该方法将收到?'62'?或?'x3E'。如果?convert_charrefs?为?True，则此方法永远不会被调用。
HTMLParser.handle_comment(data)
这个方法在遇到注释的时候被调用（例如：?<!--comment-->?）。
例如，?<!--?comment?-->?这个注释会用?'?comment?'?作为参数调用此方法。
Internet Explorer 条件注释（condcoms）的内容也被发送到这个方法，因此，对于?<!--[if?IE?9]>IE9-specific?content<![endif]-->?，这个方法将接收到?'[if?IE?9]>IE9-specific?content<![endif]'?。
HTMLParser.handle_decl(decl)
这个方法用来处理 HTML doctype 申明（例如?<!DOCTYPE?html>?）。
decl?形参为?<!...>?标记中的所有内容（例如：?'DOCTYPE?html'?）。
HTMLParser.handle_pi(data)
此方法在遇到处理指令的时候被调用。data?形参将包含整个处理指令。例如，对于处理指令?<?proc?color='red'>?，这个方法将以?handle_pi("proc?color='red'")?形式被调用。它旨在被派生类重载；基类实现中无任何实际操作。
备注
HTMLParser?类使用 SGML 语法规则处理指令。使用?'?'?结尾的 XHTML 处理指令将导致?'?'?包含在?data?中。
HTMLParser.unknown_decl(data)
当解析器读到无法识别的声明时，此方法被调用。
data?形参为?<![...]>?标记中的所有内容。某些时候对派生类的重载很有用。基类实现中无任何实际操作。
例子
下面的类实现了一个解析器，用于更多示例的演示:
from html.parser import HTMLParser
from html.entities import name2codepoint
class MyHTMLParser(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 = chr(name2codepoint[name])
print("Named ent:", c)
def handle_charref(self, name):
if name.startswith('x'):
c = chr(int(name[1:], 16))
else:
c = chr(int(name))
print("Num ent :", c)
def handle_decl(self, data):
print("Decl :", data)
parser = MyHTMLParser()
解析一个文档类型声明:
>>>
>>> parser.feed('<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" '
... '"http://www.w3.org/TR/html4/strict.dtd">')
Decl : DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd"
解析一个具有一些属性和标题的元素:
>>>
>>> parser.feed('<img src="python-logo.png" alt="The Python logo">')
Start tag: img
attr: ('src', 'python-logo.png')
attr: ('alt', 'The Python logo')
>>>
>>> parser.feed('<h1>Python</h1>')
Start tag: h1
Data : Python
End tag : h1
script?和?style?元素中的内容原样返回，无需进一步解析:
>>>
>>> parser.feed('<style type="text/css">#python { color: green }</style>')
Start tag: style
attr: ('type', 'text/css')
Data : #python { color: green }
End tag : style
>>> parser.feed('<script type="text/javascript">'
... 'alert("<strong>hello!</strong>");</script>')
Start tag: script
attr: ('type', 'text/javascript')
Data : alert("<strong>hello!</strong>");
End tag : script
解析注释:
>>>
>>> parser.feed('<!-- a comment -->'
... '<!--[if IE 9]>IE-specific content<![endif]-->')
Comment : a comment
Comment : [if IE 9]>IE-specific content<![endif]
解析命名或数字形式的字符引用，并把他们转换到正确的字符（注意：这 3 种转义都是?'>'?）:
>>>
>>> parser.feed('>>>')
Named ent: >
Num ent : >
Num ent : >
填充不完整的块给?feed()?执行，handle_data()?可能会多次调用（除非?convert_charrefs?被设置为?True?）:
>>>
>>> for chunk in ['<sp', 'an>buff', 'ered ', 'text</s', 'pan>']: ... parser.feed(chunk) ... Start tag: span Data : buff Data : ered Data : text End tag : span
解析无效的 HTML (例如：未引用的属性）也能正常运行:
>>>
>>> parser.feed('<p><a class=link href=#main>tag soup</p ></a>')
Start tag: p
Start tag: a
attr: ('class', 'link')
attr: ('href', '#main')
Data : tag soup
End tag : p
End tag : a 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。 如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：veading@qq.com进行投诉反馈，一经查实，立即删除！