如果我們要編寫一個搜索引擎，第一步是用爬蟲把目標(biāo)網(wǎng)站的頁面抓下來，第二步就是解析該HTML頁面，看看里面的內(nèi)容到底是新聞、圖片還是視頻。
假設(shè)第一步已經(jīng)完成了，第二步應(yīng)該如何解析HTML呢？
HTML本質(zhì)上是XML的子集，但是HTML的語法沒有XML那么嚴(yán)格，所以不能用標(biāo)準(zhǔn)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('</%s>' % 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('<html><head></head><body><p>Some <a href=/"#/">html</a> tutorial...<br>END</p></body></html>')feed()方法可以多次調(diào)用，也就是不一定一次把整個HTML字符串都塞進(jìn)去，可以一部分一部分塞進(jìn)去。
特殊字符有兩種，一種是英文表示的 ，一種是數(shù)字表示的Ӓ，這兩種字符都可以通過Parser解析出來。
小結(jié)
找一個網(wǎng)頁，例如https://www.python.org/events/python-events/，用瀏覽器查看源碼并復(fù)制，然后嘗試解析一下HTML，輸出Python官網(wǎng)發(fā)布的會議時間、名稱和地點。
新聞熱點
疑難解答
圖片精選
