python标准库html

爱听音乐的boy 2022-06-03 我要评论

python之标准库html

html库是用于解析HTML的一个工具，是python自带的标准库之一。
html库位置：

在这里插入图片描述

init.py文件提供两个函数：

__all__ = ['escape', 'unescape']

介绍 escape 和 unescape：

escape(s, quote=True) #用来将特殊字符进行转义成实体字符
"""
参数介绍：
  s 指定要转义的特殊字符
  quote 默认为True,表示要将 " 或者 ' 也要转义成实体字符，False反之不用转义成实体字符
"""
unescape(s) #用来将实体字符进行还原到特殊字符

escape 和 unescape 的使用：

import html
s = '<div id="box">div</div>'
res = html.escape(s)
print(res)
print(html.escape(s,quote=False))
print(html.unescape(res)) #理解还原即可

输出结果：

在这里插入图片描述

escape源码的实现：

在这里插入图片描述

html库中的 entities 模块

该模块定义： HTML字符实体引用。
该模块提供四个字典对象：

__all__ = ['html5', 'name2codepoint', 'codepoint2name', 'entitydefs']

导入：

from html import entities
html = entities.html5
name2codep = entities.name2codepoint
codep = entities.codepoint2name
ent = entities.entitydefs
print(html)
print(name2codep)
print(codep)
print(ent)

输出结果：

在这里插入图片描述

html库中的 parser 模块

该模块是HTML和XHTML的解析器。
该模块提供一个类：

__all__ = ['HTMLParser']

导入：

from html import parser
htmlParser=parser.HTMLParser()

介绍该类的常用属性和常用方法：
常用属性：

lasttag #保存上一个解析的标签名，返回字符串。

已实现的常用方法：

feed(data) #将数据馈送到解析器。无返回值
unescape(s) #往上看，前面有介绍的
get_starttag_text() #返回开始标记的完整来源
close() #关闭

未实现的常用方法：
注意：这些方法在源码中都没有具体实现，需要我们定义一个子类继承自HTMLParser类，在子类中重写这些方法，实现自己逻辑

handle_starttag(tag, attrs) #处理开始标签，如 <div>；这里的attrs获取到的是属性列表，属性以元组的方式展示
handle_endtag(tag) #处理结束标签, 如 </div>
handle_data(data) #处理数据，标签之间的文本
handle_comment(data) #处理注释，<!-- - -> 之间的文本
handle_startendtag(tag, attrs) #处理自己结束的标签，如 <img />

以上方法在源码中是这样的：

在这里插入图片描述