python中，有三个库可以解析html文本，HTMLParser,sgmllib,htmllib。他们的实现方法不通，但功能差不多。这三个库中 提供解析html的类都是基类，本身并不做具体的工作。他们在发现的元件后(如标签、注释、声名等)，会调用相应的函数，这些函数必须重载，因为基类中不 作处理。

比如：

"""

Advice

The IETF admonishes:

Be strict in what you send.

"""

如果对这个数据做处理，当检测到标签时，对于HTMLParser，会调用handle_starttag函数。

下面具体介绍下几个库

1、HTMLParser

#------------------ HTMLParser_stack.py ------------------#

#-- coding: GBK --

import HTMLParser,sys,os,string

html = """

Advice

The IETF admonishes:

Be strict in what you send.

"""

tagstack = []

class ShowStructure(HTMLParser.HTMLParser):

def handle_starttag(self, tag, attrs): tagstack.append(tag)

def handle_endtag(self, tag): tagstack.pop()

def handle_data(self, data):

if data.strip():

for tag in tagstack: sys.stdout.write('/'+tag)

sys.stdout.write(' >> %s/n' % data[:40].strip())

ShowStructure().feed(html)

此函数的输出：

/html/body/p >> The

/html/body/p/a >> IETF admonishes:

/html/body/p/a/i >> Be strict in what you

/html/body/p/a/i/b >> send

/html/body/p/a/i >> .

对于一些网页，可能并没有严格的开始结束标签对，这时，我们可以去忽略一些标签。可以自己写个堆栈来处理这些标签。

#*--------------- TagStack class example -----------------#

class TagStack:

def __init__(self, lst=[]): self.lst = lst

def __getitem__(self, pos): return self.lst[pos]

def append(self, tag):

# Remove every paragraph-level tag if this is one

if tag.lower() in ('p','blockquote'):

self.lst = [t for t in self.lst

if t not in ('p','blockquote')]

self.lst.append(tag)

def pop(self, tag):

# "Pop" by tag from nearest pos, not only last item

self.lst.reverse()

try:

pos = self.lst.index(tag)

except ValueError:

raise HTMLParser.HTMLParseError, "Tag not on stack"

del self.lst[pos]

self.lst.reverse()

tagstack = TagStack()

HTMLParser有个bug，就是不能处理中文属性，比如说，如果网页里有这么一段：

那么解析到这一行时就会出错。

错误原因还是正则表达式惹的祸。

attrfind = re.compile(

r'/s*([a-zA-Z_][-.:a-zA-Z_0-9]*)(/s*=/s*'

r'(/'[^/']*/'|"[^"]*"|[-a-zA-Z0-9./,:;+*%?!&$/(/)_#=~@]*))?')

attrfind 没有匹配中文字符。

可以更改这个匹配已修正这个错误。sgmllib则不存在这种错误。

2、sgmllib

html格式为sgml格式的一个子集，所以sgml可以处理跟多的东西，下面通过一段代码来示例sgmllib的用法。

#------------------ HTMLParser_stack.py ------------------#

#-- coding: GBK --

import sgmllib,sys,os,string

html = """Advice

The IETF admonishes:

Be strict in what you send.

我

"""

os.chdir('d://python')

f=file('testboard.txt','r')

contest=f.read()

tagstack = []

class ShowStructure(sgmllib.SGMLParser):

def handle_starttag(self, tag, method,attrs): tagstack.append(tag)

def handle_endtag(self, tag): tagstack.pop()

def handle_data(self, data):

if data.strip():

for tag in tagstack: sys.stdout.write('/'+tag)

sys.stdout.write(' >> %s/n' % data[:40].strip())

def unknown_starttag(self,tag,attrs):

print 'start tag:'

def unknown_endtag(self,tag):

print 'end tag:'+tag+'>'

def start_lala(self,attr):

print 'lala tag found'

ShowStructure().feed(html)

输出:

start tag:

start tag:

/lala >> Advice

end tag:

end tag:

start tag:

start tag:

/lala >> The

start tag:

/lala >> IETF admonishes:

start tag:

/lala >> Be strict in what you

start tag:

/lala >> send

end tag:

/lala >> .

end tag:

end tag:

end tag:

start tag:

start tag:

/lala >> ϒ

start tag:

end tag:

end tag:

end tag:

和HTMLParser一样，如果要用sgmllib解析html，则要继承sgmllib.SGMLParser类，此类里的函数都是空的，用户需要重载它。这个类提供的功能是在特定情况下调用相应的函数。

比如当发现标签时，如果并没有定义 start_html(self,attr)函数，则会调用unknown_starttag函数，具体怎么处理则更具用户。

sgml的标签是可以自定义的，比如自己定义了一个start_lala函数，则就会处理标签。

有

个地方要说明下，如果定义了start_tagname函数，有定义了handle_starttag函数，则函数只会运行

handle_starttag函数，start_tagname为空函数都没有问题，如果没有定义handle_starttag函数，则遇

到标签时，会运行start_tagname函数。如果没有定义tagname的start函数，则此标签为未知标签，调

用unknown_starttag函数