Python 库手册：html.parser HTML 解析模块

html.parser 是 Python 标准库中用于解析 HTML 文件的模块，提供了一个基础类 HTMLParser，通过继承并重写其方法，可以提取网页中的标签、属性与文本内容。它是纯 Python 实现的轻量级 HTML 解析工具，无需第三方依赖，可用于简单的网页内容提取任务。

常见应用场景：

（1）提取 HTML 中的文本、超链接、图片等信息。

（2）编写简单的网页内容抓取器（抓取不依赖 JavaScript 渲染的网页）。

（3）快速分析本地 HTML 文件结构。

（4）替代复杂的 HTML DOM 操作。

◆◆ ◆

核心概念

1、HTMLParser 是 HTML 解析的核心类。

这是一个基于事件驱动（event-driven）的类，它会在遇到 HTML 标签时触发对应的处理方法（如 handle_starttag()、handle_data() 等），你需要通过继承它并重写这些方法来自定义行为。

2、解析流程是“逐标签解析”的。

解析器会按顺序扫描 HTML 文本：遇到开始标签时调用 handle_starttag()。遇到结束标签时调用 handle_endtag()。遇到数据内容（文本节点）时调用 handle_data()。遇到注释时调用 handle_comment()，等等。

3、HTML 标签的属性以 (name, value) 元组形式提供

在 handle_starttag() 中，标签属性通过第二个参数 attrs 提供，这是一个 [(属性名, 属性值)] 的列表，例如：

[('href', 'https://example.com'), ('target', '_blank')]

◆◆ ◆

应用举例

例 1：提取所有链接

from html.parser import HTMLParser

class LinkParser(HTMLParser):
    def handle_starttag(self, tag, attrs):
        if tag == 'a':
            for name, value in attrs:
                if name == 'href':
                    print("链接地址：", value)

html_doc = '''

欢迎访问

'''

parser = LinkParser()
parser.feed(html_doc)

例 2：提取所有文本内容

from html.parser import HTMLParser

class TextExtractor(HTMLParser):
    def handle_data(self, data):
        print("文本内容：", data.strip())

html = ' 标题 这是一段文字。'
parser = TextExtractor()
parser.feed(html)

例 3：打印 HTML 中的所有标签及属性

from html.parser import HTMLParser

class TagPrinter(HTMLParser):
    def handle_starttag(self, tag, attrs):
        print(f"标签：<{tag}>")
        for attr in attrs:
            print(f"  属性：{attr[0]} = {attr[1]}")

parser = TagPrinter()
parser.feed('')

例 4：处理 HTML 注释

from html.parser import HTMLParser

class CommentParser(HTMLParser):
    def handle_comment(self, data):
        print("注释内容：", data.strip())

parser = CommentParser()
parser.feed(' ')

例 5：提取网页标题 的内容

from html.parser import HTMLParser
from urllib.request import urlopen 

class TitleParser(HTMLParser):
    def __init__(self):
        super().__init__()
        self.in_title = False
        self.title = ""

    def handle_starttag(self, tag, attrs):
        if tag.lower() == 'title':
            self.in_title = True

    def handle_data(self, data):
        if self.in_title:
            self.title += data.strip()

    def handle_endtag(self, tag):
        if tag.lower() == 'title':
            self.in_title = False

# 打开网页并读取 HTML
url = "https://www.example.com"
with urlopen(url) as response:
    html = response.read().decode("utf-8")

# 提取标题
parser = TitleParser()
parser.feed(html)
print("网页标题：", parser.title)

◆◆ ◆

常用函数速览

HTMLParser.feed(data)

向解析器传入 HTML 字符串，触发各类回调方法。

参数：

data：字符串类型的 HTML 内容

返回：无

将 HTML 文本输入解析器的 .feed() 方法后，解析才会开始。可反复调用 .feed() 追加数据。

HTMLParser.close()

结束 HTML 解析，确保所有缓存数据被处理。

在某些流式解析场景中，.close() 可用于标记输入结束并清理状态，但通常 .feed() 足以完成解析。

HTMLParser.reset()

重置解析器到初始状态（不常用）。

◆◆ ◆

补充说明

1、html.parser 不执行 JavaScript，因此适用于静态 HTML 内容。

2、解析 HTML 时不构建 DOM 树，而是使用事件回调（类似 SAX）。

与 xml.etree 不同，HTMLParser 不会创建节点树。你必须在回调中自行提取、处理或存储内容，适合快速提取结构简单或特定模式的 HTML 内容。

3、不能处理格式错误严重的 HTML。可使用第三方库 BeautifulSoup。

4、若使用非 UTF-8 编码的 HTML 内容，需先用正确的编码解码成字符串。

“点赞有美意，赞赏是鼓励”