Python内置html.parser模块的HTMLParser类可用于解析HTML。通过继承该类并重写handle_starttag、handle_endtag、handle_data等方法，可提取标签、属性和文本内容。例如LinkExtractor类可提取超链接地址与锚文本。适用于结构良好的HTML片段，但不修复 malformed HTML，无CSS选择器支持，适合轻量级任务。
Python 中可以使用 html.parser 模块中的 HTMLParser 类来解析 HTML 内容。它是一个内置的轻量级解析器，适合处理简单的 HTML 结构，无需安装第三方库。
基本用法：继承 HTMLParser 类
你需要自定义一个类，继承 HTMLParser，并重写特定的方法来捕获标签、数据和属性。
示例代码：
from html.parser import HTMLParserclass MyHTMLParser(HTMLParser):def handle_starttag(self, tag, attrs):print(f"开始标签: {tag}, 属性: {attrs}")
def handle_endtag(self, tag): print(f"结束标签: {tag}")def handle_data(self, data): if data.strip(): # 忽略空白字符 print(f"文本内容: {data}")
使用示例
html_content = """
这是一个段落。
https://example.com">链接>
"""
parser = MyHTMLParser()parser.feed(html_content)
常用处理方法说明
以下是几个关键的回调方法，用于提取不同部分的信息：
handle_starttag(tag, attrs)：当遇到开始标签时调用，tag 是标签名，attrs 是 (name, value) 元组组成的列表。handle_endtag(tag)：当遇到结束标签时调用。handle_data(data)：处理标签之间的文本内容。handle_comment(data)：处理 HTML 注释（可选重写）。
提取特定信息：比如所有链接
如果你想提取页面中所有的超链接和地址，可以这样写：
立即学习“Python免费学习笔记（深入）”；
class LinkExtractor(HTMLParser): def __init__(self): super().__init__() self.links = []def handle_starttag(self, tag, attrs): if tag == 'a': attrs_dict = dict(attrs) href = attrs_dict.get('href') text = "" # 初始化 self.current_href = href self.capture_text = True else: self.capture_text = Falsedef handle_data(self, data): if self.capture_text: self.links.append((self.current_href, data.strip()))
示例使用
parser = LinkExtractor()parser.feed('https://www.php.cn/link/c7c8c6f06ba0b5edd19e56048a7c4ec1">Google>')print(parser.links) # 输出: [('https://www.php.cn/link/c7c8c6f06ba0b5edd19e56048a7c4ec1', 'Google')]
注意事项与局限性
虽然 HTMLParser 足够简单场景使用，但有几点需要注意：
不自动修复 malformed HTML（如未闭合标签），可能解析出错。相比 BeautifulSoup 或 lxml，功能较弱，没有 CSS 选择器支持。适用于结构清晰、格式良好的 HTML 片段。
对于复杂网页抓取任务，建议结合 requests + BeautifulSoup；但如果只是轻量解析且不想引入外部依赖，HTMLParser 是个不错的选择。
基本上就这些，掌握这几个核心方法就能应对大多数基础解析需求了。
以上就是python中htmlparser解析html的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1375215.html
微信扫一扫 
支付宝扫一扫 
