國內(nèi)互聯(lián)網(wǎng)大廠有哪些站長工具seo
源代碼：?Lib/html/parser.py
這個(gè)模塊定義了一個(gè)?HTMLParser?類，為 HTML（超文本標(biāo)記語言）和 XHTML 文本文件解析提供基礎(chǔ)。
class?html.parser.HTMLParser(*,?convert_charrefs=True)
創(chuàng)建一個(gè)能解析無效標(biāo)記的解析器實(shí)例。
如果?convert_charrefs?為?True?(默認(rèn)值)，則所有字符引用(?script/style?元素中的除外)都會(huì)自動(dòng)轉(zhuǎn)換為相應(yīng)的 Unicode 字符。
一個(gè)?HTMLParser?類的實(shí)例用來接受 HTML 數(shù)據(jù)，并在標(biāo)記開始、標(biāo)記結(jié)束、文本、注釋和其他元素標(biāo)記出現(xiàn)的時(shí)候調(diào)用對(duì)應(yīng)的方法。要實(shí)現(xiàn)具體的行為，請(qǐng)使用?HTMLParser?的子類并重載其方法。
這個(gè)解析器不檢查結(jié)束標(biāo)記是否與開始標(biāo)記匹配，也不會(huì)因外層元素完畢而隱式關(guān)閉了的元素引發(fā)結(jié)束標(biāo)記處理。
在 3.4 版更改:?convert_charrefs?關(guān)鍵字參數(shù)被添加。
在 3.5 版更改:?convert_charrefs?參數(shù)的默認(rèn)值現(xiàn)在為?True。
HTML 解析器的示例程序
下面是簡單的 HTML 解析器的一個(gè)基本示例，使用?HTMLParser?類，當(dāng)遇到開始標(biāo)記、結(jié)束標(biāo)記以及數(shù)據(jù)的時(shí)候?qū)?nèi)容打印出來。
from html.parser import HTMLParserclass 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>')
輸出是:
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?實(shí)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，則被處理；如果數(shù)據(jù)不完整，將被緩沖直到更多的數(shù)據(jù)被填充，或者?close()?被調(diào)用。data?必須為?str?類型。
HTMLParser.close()
如同后面跟著一個(gè)文件結(jié)束標(biāo)記一樣，強(qiáng)制處理所有緩沖數(shù)據(jù)。這個(gè)方法能被派生類重新定義，用于在輸入的末尾定義附加處理，但是重定義的版本應(yīng)當(dāng)始終調(diào)用基類?HTMLParser?的?close()?方法。
HTMLParser.reset()
重置實(shí)例。丟失所有未處理的數(shù)據(jù)。在實(shí)例化階段被隱式調(diào)用。
HTMLParser.getpos()
返回當(dāng)前行號(hào)和偏移值。
HTMLParser.get_starttag_text()
返回最近打開的開始標(biāo)記中的文本。 結(jié)構(gòu)化處理時(shí)通常應(yīng)該不需要這個(gè)，但在處理“已部署”的 HTML 或是在以最小改變來重新生成輸入時(shí)可能會(huì)有用處（例如可以保留屬性間的空格等）。
下列方法將在遇到數(shù)據(jù)或者標(biāo)記元素的時(shí)候被調(diào)用。他們需要在子類中重載。基類的實(shí)現(xiàn)中沒有任何實(shí)際操作（除了?handle_startendtag()?）：
HTMLParser.handle_starttag(tag,?attrs)
調(diào)用此方法來處理一個(gè)元素的開始標(biāo)記 (例如?<div?id="main">)。
tag?參數(shù)是小寫的標(biāo)記名。attrs?參數(shù)是一個(gè)?(name,?value)?形式的列表，包含了所有在標(biāo)記的?<>?括號(hào)中找到的屬性。name?轉(zhuǎn)換為小寫，value?的引號(hào)被去除，字符和實(shí)體引用都會(huì)被替換。
實(shí)例中，對(duì)于標(biāo)簽?<A?HREF="https://www.cwi.nl/">，這個(gè)方法將以下列形式被調(diào)用?handle_starttag('a',?[('href',?'https://www.cwi.nl/')])?。
html.entities?中的所有實(shí)體引用，會(huì)被替換為屬性值。
HTMLParser.handle_endtag(tag)
此方法被用來處理元素的結(jié)束標(biāo)記（例如：?</div>?）。
tag?參數(shù)是小寫的標(biāo)簽名。
HTMLParser.handle_startendtag(tag,?attrs)
類似于?handle_starttag(), 只是在解析器遇到 XHTML 樣式的空標(biāo)記時(shí)被調(diào)用（?<img?...?/>）。這個(gè)方法能被需要這種特殊詞法信息的子類重載；默認(rèn)實(shí)現(xiàn)僅簡單調(diào)用?handle_starttag()?和?handle_endtag()?。
HTMLParser.handle_data(data)
這個(gè)方法被用來處理任意數(shù)據(jù)（例如：文本節(jié)點(diǎn)和?<script>...</script>?以及?<style>...</style>?中的內(nèi)容）。
HTMLParser.handle_entityref(name)
這個(gè)方法被用于處理?&name;?形式的命名字符引用（例如?>），其中?name?是通用的實(shí)體引用（例如：?'gt'）。如果?convert_charrefs?為?True，該方法永遠(yuǎn)不會(huì)被調(diào)用。
HTMLParser.handle_charref(name)
調(diào)用該方法來處理?&#NNN;?和?&#xNNN;?形式的十進(jìn)制和十六進(jìn)制數(shù)字字符引用。 例如，>?的等價(jià)十進(jìn)制形式為?>，而十六進(jìn)制形式則為?>；在這種情況下，該方法將收到?'62'?或?'x3E'。如果?convert_charrefs?為?True，則此方法永遠(yuǎn)不會(huì)被調(diào)用。
HTMLParser.handle_comment(data)
這個(gè)方法在遇到注釋的時(shí)候被調(diào)用（例如：?<!--comment-->?）。
例如，?<!--?comment?-->?這個(gè)注釋會(huì)用?'?comment?'?作為參數(shù)調(diào)用此方法。
Internet Explorer 條件注釋（condcoms）的內(nèi)容也被發(fā)送到這個(gè)方法，因此，對(duì)于?<!--[if?IE?9]>IE9-specific?content<![endif]-->?，這個(gè)方法將接收到?'[if?IE?9]>IE9-specific?content<![endif]'?。
HTMLParser.handle_decl(decl)
這個(gè)方法用來處理 HTML doctype 申明（例如?<!DOCTYPE?html>?）。
decl?形參為?<!...>?標(biāo)記中的所有內(nèi)容（例如：?'DOCTYPE?html'?）。
HTMLParser.handle_pi(data)
此方法在遇到處理指令的時(shí)候被調(diào)用。data?形參將包含整個(gè)處理指令。例如，對(duì)于處理指令?<?proc?color='red'>?，這個(gè)方法將以?handle_pi("proc?color='red'")?形式被調(diào)用。它旨在被派生類重載；基類實(shí)現(xiàn)中無任何實(shí)際操作。
備注
HTMLParser?類使用 SGML 語法規(guī)則處理指令。使用?'?'?結(jié)尾的 XHTML 處理指令將導(dǎo)致?'?'?包含在?data?中。
HTMLParser.unknown_decl(data)
當(dāng)解析器讀到無法識(shí)別的聲明時(shí)，此方法被調(diào)用。
data?形參為?<![...]>?標(biāo)記中的所有內(nèi)容。某些時(shí)候?qū)ε缮惖闹剌d很有用?；悓?shí)現(xiàn)中無任何實(shí)際操作。
例子
下面的類實(shí)現(xiàn)了一個(gè)解析器，用于更多示例的演示:
from html.parser import HTMLParser
from html.entities import name2codepointclass 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()
解析一個(gè)文檔類型聲明:
>>>
>>> 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"
解析一個(gè)具有一些屬性和標(biāo)題的元素:
>>>
>>> parser.feed('<img src="python-logo.png" alt="The Python logo">')
Start tag: imgattr: ('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?元素中的內(nèi)容原樣返回，無需進(jìn)一步解析:
>>>
>>> parser.feed('<style type="text/css">#python { color: green }</style>')
Start tag: styleattr: ('type', 'text/css')
Data : #python { color: green }
End tag : style>>> parser.feed('<script type="text/javascript">'
... 'alert("<strong>hello!</strong>");</script>')
Start tag: scriptattr: ('type', 'text/javascript')
Data : alert("<strong>hello!</strong>");
End tag : script
解析注釋:
>>>
>>> parser.feed('<!-- a comment -->'
... '<!--[if IE 9]>IE-specific content<![endif]-->')
Comment : a comment
Comment : [if IE 9]>IE-specific content<![endif]
解析命名或數(shù)字形式的字符引用，并把他們轉(zhuǎn)換到正確的字符（注意：這 3 種轉(zhuǎn)義都是?'>'?）:
>>>
>>> parser.feed('>>>')
Named ent: >
Num ent : >
Num ent : >
填充不完整的塊給?feed()?執(zhí)行，handle_data()?可能會(huì)多次調(diào)用（除非?convert_charrefs?被設(shè)置為?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
解析無效的 HTML (例如：未引用的屬性）也能正常運(yùn)行:
>>>
>>> parser.feed('<p><a class=link href=#main>tag soup</p ></a>')
Start tag: p
Start tag: aattr: ('class', 'link')attr: ('href', '#main')
Data : tag soup
End tag : p
End tag : a