使用urllib2抓取网页内容：
import urllib2 from HTMLParser import HTMLParser request = urllib2.Request('http://www.baidu.com') response = urllib2.urlopen(request).read() print response
使用HTMLParser处理网页内容：
from HTMLParser import HTMLParser class hp(HTMLParser): a_text = False def handle_decl(self,decl): #print decl pass def handle_comment(self,comment): #print comment pass #抓取所有的超链接http://开头的 def handle_starttag(self,tag,attrs): if tag == 'a': self.a_text = True #print tag,attrs for h,v in attrs: if h == 'href' and len(v) >6: #pass pt = r'http://S+' cp = re.compile(pt) vr = cp.match(v) if vr: print vr.group() def handle_endtag(self,tag): if tag == 'a': self.a_text = False def handle_data(self,data): if self.a_text: #print (data) pass def handle_startendtag(self,tag,attrs): if tag == 'link': print attrs for h,v in attrs: if h == 'href': #print v pass yk = hp() yk.feed(con) yk.close()
HTMLParser是python用来解析html的模块。它可以分析出html里面的标签、数据等等，是一种处理html的简便途径。HTMLParser采用的是一种事件驱动的模式，当HTMLParser找到一个特定的标记时，它会去调用一个用户定义的函数，以此来通知程序处理。它主要的用户回调函数的命名都是以handler_开头的，都是HTMLParser的成员函数。当我们使用时，就从HTMLParser派生出新的类，然后重新定义这几个以handler_开头的函数即可。这几个函数包括：
handle_startendtag 处理开始标签和结束标签
handle_starttag 处理开始标签，比如<xx>
handle_endtag 处理结束标签，比如</xx>
handle_charref 处理特殊字符串，就是以&#开头的，一般是内码表示的字符
handle_entityref 处理一些特殊字符，以&开头的，比如
handle_data 处理数据，就是<xx>data</xx>中间的那些数据
handle_comment 处理注释
handle_decl 处理<!开头的，比如<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
handle_pi 处理形如<?instruction>的东西