http://andylin02.iteye.com/blog/908170
HTMLParser是Python自帶的模塊，使用簡單，能夠很容易的實現HTML文件的分析。
本文主要簡單講一下HTMLParser的用法.
使用時需要定義一個從類HTMLParser繼承的類，重定義函數：
- handle_starttag( tag, attrs)
- handle_startendtag( tag, attrs)
- handle_endtag( tag)
來實現自己需要的功能。
tag是的html標籤，attrs是 (屬性，值)元組(tuple)的列表(list).
HTMLParser自動將tag和attrs都轉爲小寫。
下面給出的例子抽取了html中的所有鏈接：
from HTMLParser import HTMLParser
class MyHTMLParser(HTMLParser):
def __init__(self):
HTMLParser.__init__(self)
self.links = []
def handle_starttag(self, tag, attrs):
#print "Encountered the beginning of a %s tag" % tag
if tag == "a":
if len(attrs) == 0: pass
else:
for (variable, value) in attrs:
if variable == "href":
self.links.append(value)
if __name__ == "__main__":
html_code = """
<a href="www.google.com"> google.com</a>
<A Href="www.pythonclub.org"> PythonClub </a>
<A HREF = "www.sina.com.cn"> Sina </a>
"""
hp = MyHTMLParser()
hp.feed(html_code)
hp.close()
print(hp.links)
輸出爲：
['www.google.com', 'www.pythonclub.org', 'www.sina.com.cn']
如果想抽取圖形鏈接
<img src='http://www.google.com/intl/zh-CN_ALL/images/logo.gif' />
就要重定義 handle_startendtag( tag, attrs) 函數