3. HTMLParser
    5. 阅读: 72116
    6. 如果我们要编写一个搜索引擎，第一步是用爬虫把目标网站的页面抓下来，第二步就是解析该HTML页面，看看里面的内容到底是新闻、图片还是视频。
    8. 假设第一步已经完成了，第二步应该如何解析HTML呢？
    10. HTML本质上是XML的子集，但是HTML的语法没有XML那么严格，所以不能用标准的DOM或SAX来解析HTML。
    12. 好在Python提供了HTMLParser来非常方便地解析HTML，只需简单几行代码：
    14. from html.parser import HTMLParser
    15. from html.entities import name2codepoint
    17. class MyHTMLParser(HTMLParser):
    19.    def handle_starttag(self, tag, attrs):
    20.        print('<%s>' % tag)
    22.    def handle_endtag(self, tag):
    23.        print('</%s>' % tag)
    25.    def handle_startendtag(self, tag, attrs):
    26.        print('<%s/>' % tag)
    28.    def handle_data(self, data):
    29.        print(data)
    31.    def handle_comment(self, data):
    32.        print('<!--', data, '-->')
    34.    def handle_entityref(self, name):
    35.        print('&%s;' % name)
    37.    def handle_charref(self, name):
    38.        print('&#%s;' % name)
    40. parser = MyHTMLParser()
    41. parser.feed('''<html>
    42. <head></head>
    43. <body>
    44. <!-- test html parser -->
    45.    <p>Some <a href=\"#\">html</a> HTML&nbsp;tutorial...<br>END</p>
    46. </body></html>''')
    47. feed()方法可以多次调用，也就是不一定一次把整个HTML字符串都塞进去，可以一部分一部分塞进去。
    49. 特殊字符有两种，一种是英文表示的&nbsp;，一种是数字表示的&#1234;，这两种字符都可以通过Parser解析出来。
    51. 小结
    53. 利用HTMLParser，可以把网页中的文本、图像等解析出来。
    55. 练习
    57. 找一个网页，例如https://www.python.org/events/python-events/，用浏览器查看源码并复制，然后尝试解析一下HTML，输出Python官网发布的会议时间、名称和地点。
    59. 参考源码
    61. use_htmlparser.py