HTMLParser和BeautifulSoup使用入门和总结

1.HTMLParser通常这么用：

from html.parser import HTMLParser from urllib import request class MyHtmlParser(HTMLParser): def __init__(self): HTMLParser.__init__(self) self.categories = [] self.in_a = False def handle_starttag(self, tag, attrs): def _attr(attrs,attrname): for attr in attrs: if attr[0] == attrname: return attr[1] return None if tag == 'a' and _attr(attrs,'role') == 'menuitem': self.in_a = True def handle_endtag(self, tag): if tag == 'a' and self.in_a: self.in_a = False def handle_data(self, data): if self.in_a: self.categories.append(data)

2.BeautifulSoup通常这样：

soup = BeautifulSoup(price_html,'html.parser') soup.find_all('div',class_='abcd')

3.HTMLParser遇到div嵌套，handle_endtag里关闭div开关会提早关闭，试了好久目前没想出解决方案。

3.BeautifulSoup的find('div', class_='test')是find_all(...)的特殊状况,只匹配第一次。class是python预留关键字，因此加下划线区分，也能够这样attrs={'class':'test')。其中test还能够用正则表达式来匹配。

4.若是没有span, tag.div.a.span=None, tag.div.a.span.string会报错。

5.BeautifulSoup遇到问题:<a>kkk<span>lang</span></a>, a.string没法得到kkk, 就由于a里面嵌套了<span>

6.BeautifulSoup先读取整个html，生成对象树，比较耗内存，速度慢。可是比HTMLParser更方便使用。