Python进阶记录之HTMLParser模块

回顾    在《Python进阶记录之urllib模块》中，我们介绍了Python内置的HTTP请求库urllib模块的基本用法，需要重点掌握使用urllib的request模块进行简单的get、post请求。今天我们讲一下Python内置的HTML解析库HTMLParser模块，并结合之前的re模块和urllib模块实现爬取指定新闻页提取新闻文本内容的小需求。
HTMLParser模块简介    我们使用urllib模块进行HTTP请求获取到的是整个网页的HTML，但是我们往往只需要其中一部分对我们有用的内容。这时我们就可以使用HTMLParser模块来帮助我们处理HTML。
   HTMLParser是Python内置的专门用来解析HTML的模块。利用HTMLParser，我们可以分析出一段HTML里面的标签、数据等，是一种处理HTML的简便途径。我们先来看一个官方的例子。

HTMLParser模块官方例子
   从上述代码中可以看出，HTMLParser模块来自html.parser，导包时要格外注意。使用HTMLParser时，我们需要定义一个继承自HTMLParser的子类，并根据需要重写HTMLParser父类中的成员方法。例子中使用的各方法作用如下：
   handle_starttag(tag, attrs)：识别HTML的开始标签，例如、、、等。
   handle_endtag(tag)：识别HTML的结束标签，例如、、、等。
   handle_data(data)：识别HTML标签内容，例如“Test”中的Test。
   handle_startendtag(tag, attrs)：识别没有结束标签的HTML标签，例如等。
   handle_comment(data)：识别HTML中的注释内容，一般是“”中的注释内容。
   HTMLParser采用的是一种事件驱动的模式，HTMLParser找到一个特定的标记时，它会去调用一个用户定义的函数，以此来通知程序处理。
   我们可以利用这些方法来实现HTML解析相关的功能。其中参数tag表示的是HTML标签，attrs是一个列表，列表元素为一个个“(属性，值)”形式的元组。HTMLParser会自动将tag和attrs都转为小写，解析时调用feed( )方法，把待解析的HTML字符串传入即可。
HTMLParser模块的简单应用    现在有以下网页，我们需要获取出里面的新闻文本内容。

待请求网页
   首先就是获取该网页的HTML。经过上节内容的学习，我们很容易想到利用urllib库请求获取这个网页的HTML。

获取网页HTML
   代码很简单，使用urlopen( )方法，传入url即可。此时，我们已经得到了整个网页的HTML，但是我们要获取的是新闻内容，显然此时的HTML中有太多我们不需要的东西。
   观察整个网页HTML，我们发现新闻内容是包含在一个div中的。

新闻内容相关HTML
   我们可以使用正则表达式re模块将包含新闻内容的这个div提取出来。

提取新闻内容相关的HTML
   新闻内容的div格式主要是：...。由于该div下嵌套了其他div，如果我们直接使用r'(.*?)'进行正则提取，会发现在下一个处就截断了。为了正确提取所有新闻内容相关的HTML，我们需要在前加一个，以保证是在新闻内容结束的处截断。
   此时，我们已经得到了新闻内容相关的HTML。现在还剩最后一步，就是把HTML标签去掉，保留新闻文本内容。这一步，我们就可以利用HTMLParser来实现了。

HTMLParser提取新闻内容
   我们定义一个继承自HTMLParser的子类，然后重写handle_data(data)方法获取当前HTML中的文本内容即可。由于我们定义的私有变量__text是通过一个列表来逐条接收新闻内容的，所以我们在类中定义一个获取私有变量__text的方法，并将列表转换成字符串。至此，我们已经获取到了新闻的文本内容。
   然而，当前文本内容一整段在一起，看起来并不美观，与实际分段的新闻文本内容也有差别。我们可以使用HTMLParser来美化新闻内容。我们知道，网页上的新闻内容是通过“ ”、“ ”、“”等特殊符号或标签进行间隔和分段的。因此，我们只需要在解析时替换掉这些特殊符号和标签即可。

替换特殊符号和标签
   重写handle_data(data)方法，识别文本的同时替换掉“ ”、“ ”、“ ”等特殊字符；重写handle_starttag(tag, attrs)方法，识别出、进行替换；重写handle_startendtag(tag, attrs)方法，识别出进行替换。再次运行程序，可以看到，新闻内容进行了分段，看起来就美观多了。
   上述过程实现了一个非常简单的爬虫，爬取新闻网页，提取新闻内容。当然，由于我们目前还没介绍其他第三方库，实现起来还不够灵活，例如获取新闻内容的div我们现在只能通过正则表达式实现，但实际上，如果使用lxml（etree、xpath）、BeautifulSoup等第三方库会更简单实用。
总结    以上内容介绍了Python内置的HTML解析库HTMLParser模块，需要重点掌握HTMLParser类常用方法的作用，能够重写这些方法进行自定义解析。感谢大家的支持与关注，欢迎一起学习交流~