在Python中使用HTMLParser解析HTML的教程

如果我们要编写一个搜索引擎，第一步是用爬虫把目标网站的页面抓下来，第二步就是解析该HTML页面，看看里面的内容到底是新闻、图片还是视频。

假设第一步已经完成了，第二步应该如何解析HTML呢？

HTML本质上是XML的子集，但是HTML的语法没有XML那么严格，所以不能用标准的DOM或SAX来解析HTML。

好在Python提供了HTMLParser来非常方便地解析HTML，只需简单几行代码：

    from HTMLParser import HTMLParser
    from htmlentitydefs import name2codepoint

    class MyHTMLParser(HTMLParser):

      def handle_starttag(self, tag, attrs):
        print('<%s>' % tag)

      def handle_endtag(self, tag):
        print('</%s>' % tag)

      def handle_startendtag(self, tag, attrs):
        print('<%s/>' % tag)

      def handle_data(self, data):
        print('data')

      def handle_comment(self, data):
        print('<!-- -->')

      def handle_entityref(self, name):
        print('&%s;' % name)

      def handle_charref(self, name):
        print('&#