Python HTML解析器
PythonHTML.parser模块为我们提供了HTMLParser类，可以将其子类化以解析HTML格式的文本文件。
我们也可以使用HTTP客户端轻松修改逻辑以处理来自HTTP请求HTML。
HTMLParser的类定义如下：
class html.parser.HTMLParser(*, convert_charrefs=True)
在本程序中，我们将对HTMLParser类进行子类化，以观察其功能呈现的行为并进行操作。
让我们开始吧。
Python HTML解析器
正如我们在" HTMLParser"的类定义中看到的那样，当" convert_charrefs"的值为True时，所有字符引用(" script" /" style"元素中的字符引用除外)均转换为相应的Unicode字符。
一旦该类的实例在传递给它HTML字符串中遇到开始标记，结束标记，文本，注释和其他标记元素时，将自动调用该类的处理程序方法(我们将在下一节中看到)。
当我们想使用此类时，应该对它进行子类化以提供我们自己的功能。
在提供相同的示例之前，让我们也提及该类可用于自定义的所有功能。
他们是：
handle_startendtag：该函数通过将控件传递给其他函数来管理HTML文档的开始和结束标签，这在其定义中很明显：
def handle_startendtag(self, tag, attrs): self.handle_starttag(tag, attrs) self.handle_endtag(tag)
handle_starttag：这个函数是用来处理开始标签的：
def handle_starttag(self, tag, attrs): pass
handle_endtag：该函数管理HTML字符串中的结束标记：
def handle_endtag(self, tag): pass
handle_charref：此函数处理传递给它的字符串中的字符引用，其定义为：
def handle_charref(self, name): pass
handle_entityref：该函数处理实体引用，其定义为：
def handle_entityref(self, name): pass
handle_data：此函数管理HTML字符串中的数据，并且是此类中最重要的函数之一，其定义为：
def handle_data(self, data): pass
handle_comment：该函数管理HTML中的注释，其定义为：
def handle_comment(self, data): pass
handle_pi：此函数管理HTML中的处理指令，其定义为：
def handle_pi(self, data): pass
handle_decl：该函数管理HTML中的声明，其定义为：
def handle_decl(self, decl): pass
让我们开始提供" HTMLParser"的子类，以了解其中的一些功能。
为HTMLParser制作子类
在此示例中，我们将创建HTMLParser的子类，并了解如何调用此类的最常见处理程序方法。
这是一个子类化HTMLParser类的示例程序：
from html.parser import HTMLParser
class MyHTMLParser(HTMLParser):
def handle_starttag(self, tag, attrs):
print("Found a start tag:", tag)
def handle_endtag(self, tag):
print("Found an end tag :", tag)
def handle_data(self, data):
print("Found some data :", data)
parser = MyHTMLParser()
parser.feed('<title>theitroad HTMLParser</title>'
'<h1>Python html.parse module</h1>')
覆盖HTMLParser方法
在此示例中，我们将覆盖HTMLParser类的所有功能。
让我们看一下该类的代码段：
from html.parser import HTMLParser
from html.entities import name2codepoint
class JDParser(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 = JDParser()
现在，我们将使用此类来解析HTML脚本的各个部分。
这是从文档类型String开始的：
parser.feed('<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" '
'"https://www.w3.org/TR/html4/strict.dtd">')
让我们看一下该程序的输出：
HTMLParser Doctype解析
让我们看一个传递一个img标签的代码段：
parser.feed('<img src="https://cdn.theitroad.local/wp-content/uploads/2014/05/Final-JD-Logo.png" alt="The Python logo">')
让我们看一下该程序的输出：
请注意，标签是如何断开的，标签的属性也已提取。
让我们尝试一下未解析其元素的script/style标签：
parser.feed('<script type="text/javascript">'
'alert("theitroad Python");</script>')
parser.feed('<style type="text/css">#python { color: green }</style>')
让我们看一下该程序的输出：
使用此实例也可以解析注释：
parser.feed('<!-- This marks the beginning of samples. -->'
'<!--[if IE 9]>IE-specific content<![endif]-->')
使用此方法，我们还可以管理许多与IE相关的属性，并查看某些网页是否支持IE：解析注释
解析命名和数字引用
这是一个示例程序，通过它我们还可以解析字符引用，并在运行时将其转换为正确的字符：
parser.feed('>>>')
让我们看一下该程序的输出：解析字符引用
解析无效HTML
在某种程度上，我们还可以提供无效HTML数据以提供功能。
这是一个示例程序，在anchor标记中的链接周围没有引号：
parser.feed('<h1><a class="link" href="#main">Invalid HTML</h1></a>')
