htmllib

htmllib - HTML文档的解析器

自2.6版弃用：htmllib模块已在Python 3中删除。在Python 3中使用HTMLParser，而在Python 3中使用等效的html.parser。

该模块定义了一个类，它可以作为解析超文本标记语言（HTML）格式的文本文件的基础。该类不直接关注I / O - 它必须通过方法以字符串形式提供输入，并调用“格式化程序”对象的方法以产生输出。 HTMLParser类旨在用作其他类的基类以添加功能，并允许扩展或覆盖大部分方法。反过来，这个类派生并扩展了在模块sgmllib中定义的SGMLParser类。 HTMLParser实现支持RFC 1866中描述的HTML 2.0语言。格式化程序模块提供了格式化程序对象的两个实现; 有关格式化程序接口的信息，请参阅该模块的文档。

以下是由以下定义的接口摘要sgmllib.SGMLParser：

将数据提供给实例的接口是通过feed（）方法，该方法接受一个字符串参数。这可以根据需要每次尽可能少或尽可能多的文本调用;p.feed（一）; （b）与p.feed（a + b）具有相同的效果。当数据包含完整的HTML标记结构时，将立即处理这些结构; 不完整的结构被保存在缓冲区中。要强制处理所有未处理的数据，请调用close（）方法。

为HTML标记定义语义的接口非常简单：派生一个类并定义称为start_tag（），end_tag（）或do_tag（）的方法。解析器会在适当的时候调用它们：当遇到<tag ...>形式的开始标签时，会调用start_tag（）或do_tag（）; 当遇到<tag>形式的结束标签时，调用end_tag（）。如果开始标签需要相应的结束标签，如<H1> ... </ H1>，则类应该定义start_tag（）方法; 如果标签不需要结束标签，如<P>，则该类应定义do_tag（）方法。

该模块定义了一个解析器类和一个异常：

class htmllib.HTMLParser(formatter)

这是基本的HTML解析器类。它支持XHTML 1.0 Recommendation（https://www.w3.org/TR/xhtml1）所需的所有实体名称。它还为所有HTML 2.0和许多HTML 3.0和3.2元素定义处理程序。

exception htmllib.HTMLParseError

HTMLParser类在解析时遇到错误时引发异常。

2.4版本中的新功能。

1. HTMLParser对象

除了标记方法之外，HTMLParser该类还提供了一些额外的方法和实例变量供标记方法使用。

HTMLParser.formatter

这是与解析器关联的格式化程序实例。

HTMLParser.nofill

布尔标志，当空白不应该折叠时应该为true，或者应该是false。一般来说，只有当字符数据被视为“预先格式化”的文本时，这应该是正确的，如在<PRE>元素中。默认值是false。这会影响handle_data（）和save_end（）的操作。

HTMLParser.anchor_bgn(href, name, type)

该方法在锚点区域的开始处被调用。参数对应于具有相同名称的<A>标签的属性。默认实现维护文档内的超链接列表（由<A>标签的HREF属性定义）。超链接列表可作为数据属性锚点列表。

HTMLParser.anchor_end()

此方法在锚点区域的末尾调用。默认实现将使用索引的文本脚注标记添加到由anchor_bgn（）创建的超链接列表中。

HTMLParser.handle_image(source, alt[, ismap[, align[, width[, height]]]])

调用此方法来处理图像。默认实现只是将alt值传递给handle_data（）方法。

HTMLParser.save_bgn()

开始将字符数据保存在缓冲区中，而不是将其发送到格式器对象。通过save_end（）检索存储的数据。使用save_bgn（）/ save_end（）对可能不会嵌套。

HTMLParser.save_end()

结束缓冲字符数据并返回自上次调用save_bgn（）以来保存的所有数据。如果nofill标志为false，则空格将折叠为单个空格。没有先前调用save_bgn（）的情况下调用此方法将引发TypeError异常。

htmlentitydefs - HTML一般实体的定义

注意

htmlentitydefs模块已在Python 3中重命名为html.entities。当将源代码转换为Python 3时，2to3工具将自动适应导入。

源代码： Lib / htmlentitydefs.py

该模块定义了三个字典，name2codepoint，codepoint2name和entitydefs。 entitydefs被htmllib模块用来提供HTMLParser类的entitydefs属性。此处提供的定义包含所有由XHTML 1.0定义的实体，可以使用Latin-1字符集（ISO-8859-1）中的简单文本替换进行处理。

htmlentitydefs.entitydefs

将XHTML 1.0实体定义映射到ISO Latin-1中的替换文本的字典。

htmlentitydefs.name2codepoint

一个将HTML实体名称映射到Unicode代码点的字典。

2.3版本的新功能。

htmlentitydefs.codepoint2name

将Unicode代码点映射到HTML实体名称的字典。

2.3版本的新功能。