Python进阶记录之HTMLParser模块 _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。

文章插图
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<html>、<title>、<body>、<div>等。
handle_endtag(tag)：识别HTML的结束标签，例如</html>、</body>、</div>、</p>等。
handle_data(data)：识别HTML标签内容，例如“<p>Test</p>”中的Test 。
handle_startendtag(tag, attrs)：识别没有结束标签的HTML标签，例如<img />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。

文章插图
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 。

文章插图
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。

文章插图
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。

文章插图
提取新闻内容相关的HTML
新闻内容的div格式主要是：<div class="article-content">...</div> 。由于该div下嵌套了其他div ，如果我们直接使用r'<div class="article-content">(.*?)</div>'进行正则提取，会发现在下一个</div>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</div>前加一个</p> ，以保证是在新闻内容结束的</div>处截断。
此时，我们已经得到了新闻内容相关的HTML 。现在还剩最后一部，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。

文章插图
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。