Python HTML操作（HTMLParser）

HTML操作是编程中很重要的一块，下面用Python3.x中的html.parser中的HTMLParser类来进行HTML的解析。

HTMLParser类定义及常用方法

• 标准库中的定义

class html.parser.HTMLParser(*, convert_charrefs=True)

1. 1. HTMLParser主要是用来解析HTML文件（包括HTML中无效的标记）
   2. 参数convert_charrefs表示是否将所有的字符引用自动转化为Unicode形式，Python3.5以后默认是True
   3. HTMLParser可以接收相应的HTML内容，并进行解析，遇到HTML的标签会自动调用相应的handler（处理方法）来处理，用户需要自己创建相应的子类来继承HTMLParser，并且复写相应的handler方法
   4. HTMLParser不会检查开始标签和结束标签是否是一对

• 常用方法

1. 1. HTMLParser.feed(data)：接收一个字符串类型的HTML内容，并进行解析
   2. HTMLParser.close()：当遇到文件结束标签后进行的处理方法。如果子类要复写该方法，需要首先调用HTMLParser累的close()
   3. HTMLParser.reset():重置HTMLParser实例，该方法会丢掉未处理的html内容
   4. HTMLParser.getpos()：返回当前行和相应的偏移量
   5. HTMLParser.handle_starttag(tag, attrs)：对开始标签的处理方法。例如<div id="main">，参数tag指的是div，attrs指的是一个（name,Value)的列表
   6. HTMLParser.handle_endtag(tag)：对结束标签的处理方法。例如</div>，参数tag指的是div
   7. HTMLParser.handle_data(data)：对标签之间的数据的处理方法。<tag>test</tag>,data指的是“test”
   8. HTMLParser.handle_comment(data)：对HTML中注释的处理方法。

实例应用

• 待处理文件: http://files.cnblogs.com/files/AlwinXu/Scan_TFS.zip

• 代码

__author__ = 'xua'

import json

#For python 3.x
from html.parser import HTMLParser

#定义HTMLParser的子类,用以复写HTMLParser中的方法
class MyHTMLParser(HTMLParser):

    #构造方法,定义data数组用来存储html中的数据
    def __init__(self):
        HTMLParser.__init__(self)
        self.data = []

    #覆盖starttag方法,可以进行一些打印操作
    def handle_starttag(self, tag, attrs):
        pass
        #print("Start Tag: ",tag)
        #for attr in attrs:
        #   print(attr)

    #覆盖endtag方法
    def handle_endtag(self, tag):
        pass

    #覆盖handle_data方法,用来处理获取的html数据,这里保存在data数组
    def handle_data(self, data):
        if data.count('\n') == 0:
            self.data.append(data)

#读取本地html文件.(当然也可以用urllib.request中的urlopen来打开网页数据并读取,这里不做介绍)
htmlFile = open(r"/Users/xualvin/Downloads/TFS.htm",'r')
content = htmlFile.read()

#创建子类实例
parser = MyHTMLParser()

#将html数据传给解析器进行解析
parser.feed(content)

#对解析后的数据进行相应操作并打印
for item in parser.data:
    if item.startswith("{\"columns\""):
        payloadDict = json.loads(item)
        list = payloadDict["payload"]["rows"]
        for backlog in list:
            if backlog[1] == "Product Backlog Item" or backlog[1] == "Bug":
                print(backlog[2],"       Point: ",backlog[3])

• 输出结果