Python HTML操作（HTMLParser）

HTML操作是編程中很重要的一塊，下面用Python3.x中的html.parser中的HTMLParser類來進行HTML的解析。

HTMLParser類定義及常用方法

• 標准庫中的定義

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

1. 1. HTMLParser主要是用來解析HTML文件（包括HTML中無效的標記）
   2. 參數convert_charrefs表示是否將所有的字符引用自動轉化為Unicode形式，Python3.5以后默認是True
   3. HTMLParser可以接收相應的HTML內容，並進行解析，遇到HTML的標簽會自動調用相應的handler（處理方法）來處理，用戶需要自己創建相應的子類來繼承HTMLParser，並且復寫相應的handler方法
   4. HTMLParser不會檢查開始標簽和結束標簽是否是一對

• 常用方法

1. 1. HTMLParser.feed(data)：接收一個字符串類型的HTML內容，並進行解析
   2. HTMLParser.close()：當遇到文件結束標簽后進行的處理方法。如果子類要復寫該方法，需要首先調用HTMLParser累的close()
   3. HTMLParser.reset():重置HTMLParser實例，該方法會丟掉未處理的html內容
   4. HTMLParser.getpos()：返回當前行和相應的偏移量
   5. HTMLParser.handle_starttag(tag, attrs)：對開始標簽的處理方法。例如<div id="main">，參數tag指的是div，attrs指的是一個（name,Value)的列表
   6. HTMLParser.handle_endtag(tag)：對結束標簽的處理方法。例如</div>，參數tag指的是div
   7. HTMLParser.handle_data(data)：對標簽之間的數據的處理方法。<tag>test</tag>,data指的是“test”
   8. HTMLParser.handle_comment(data)：對HTML中注釋的處理方法。

實例應用

• 待處理文件: http://files.cnblogs.com/files/AlwinXu/Scan_TFS.zip

• 代碼

__author__ = 'xua'

import json

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

#定義HTMLParser的子類,用以復寫HTMLParser中的方法
class MyHTMLParser(HTMLParser):

    #構造方法,定義data數組用來存儲html中的數據
    def __init__(self):
        HTMLParser.__init__(self)
        self.data = []

    #覆蓋starttag方法,可以進行一些打印操作
    def handle_starttag(self, tag, attrs):
        pass
        #print("Start Tag: ",tag)
        #for attr in attrs:
        #   print(attr)
    
    #覆蓋endtag方法
    def handle_endtag(self, tag):
        pass

    #覆蓋handle_data方法,用來處理獲取的html數據,這里保存在data數組
    def handle_data(self, data):
        if data.count('\n') == 0:
            self.data.append(data)


#讀取本地html文件.(當然也可以用urllib.request中的urlopen來打開網頁數據並讀取,這里不做介紹)
htmlFile = open(r"/Users/xualvin/Downloads/TFS.htm",'r')
content = htmlFile.read()

#創建子類實例
parser = MyHTMLParser()

#將html數據傳給解析器進行解析
parser.feed(content)

#對解析后的數據進行相應操作並打印
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])

• 輸出結果