20.2. 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。
20.2.1. 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
20.2.2. 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)¶ 这个方法在标签开始的时候被调用（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)¶ 这个方法被用来处理
&#NNN;和&#xNNN;形式的十进制和十六进制字符引用。例如，>等效的十进制形式为>，而十六进制形式为>；在这种情况下，方法将收到'62'或'x3E'。如果 convert_charrefs 为True，则该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。注解
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。
20.2.3. 示例¶
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