Computer >> कंप्यूटर ट्यूटोरियल >  >> प्रोग्रामिंग >> Python

पायथन में html.parser: सिंपल HTML/XHTML पार्सर

html.parser मॉड्यूल का HTMLParser क्लास HTML और XHTML डॉक्यूमेंट्स पार्स करने के लिए इवेंट-ड्रिवन API प्रदान करता है।

बुनियादी उपयोग

from html.parser import HTMLParser

class MyParser(HTMLParser):
    pass

parser = MyParser()
parser.feed('')

ओवरराइड करने योग्य हैंडलर मेथड्स

handle_starttag(tag, attrs)

शुरुआती टैग मिलने पर कॉल होता है। attrs एट्रिब्यूट्स की लिस्ट है ((name, value) टपल्स)।

class MyParser(HTMLParser):
    def handle_starttag(self, tag, attrs):
        print("Start tag:", tag)
        for attr in attrs:
            print("  attr:", attr)

parser = MyParser()
parser.feed('')
# Start tag: a
#   attr: ('href', 'www.tutorialspoint.com')

handle_endtag(tag)

अंतिम टैग मिलने पर।

def handle_endtag(self, tag):
    print("End tag:", tag)

handle_data(data)

टैग्स के बीच टेक्स्ट डेटा के लिए।

def handle_data(self, data):
    print("Data:", data.strip())

html = """
    
        

Tutorialspoint

Python standard library

HTML module

""" parser.feed(html) # Start tag: h1 # Data: Tutorialspoint # End tag: h1 # Start tag: b # Data: Python standard library # End tag: b # Start tag: p # Data: HTML module # End tag: p

अन्य हैंडलर मेथड्स

मेथडविवरण
handle_startendtag(tag, attrs)सेल्फ-क्लोजिंग टैग (<img/>) के लिए
handle_comment(data)कमेंट्स (<!--comment-->) के लिए
handle_decl(decl)DOCTYPE डिक्लेरेशन के लिए
handle_pi(data)प्रोसेसिंग इंस्ट्रक्शन्स (<?xml ...?>) के लिए
handle_entityref(name)नामित एंटिटी रेफरेंस (&copy;) के लिए
handle_charref(name)न्यूमेरिक कैरेक्टर रेफरेंस (&#169;) के लिए

उपयोगी मेथड्स

  • get_starttag_text(): सबसे हाल के शुरुआती टैग का रॉ टेक्स्ट।
  • getpos(): वर्तमान लाइन नंबर और ऑफसेट टपल (lineno, offset)।
  • error(message): पार्स एरर हैंडल करने के लिए (डिफ़ॉल्ट: अपवाद उठाता है)।

व्यावहारिक उदाहरण: लिंक एक्सट्रैक्टर

class LinkExtractor(HTMLParser):
    def __init__(self):
        super().__init__()
        self.links = []

    def handle_starttag(self, tag, attrs):
        if tag == 'a':
            for name, value in attrs:
                if name == 'href':
                    self.links.append(value)

parser = LinkExtractor()
parser.feed('''


Link 1
Link 2


''')
print(parser.links)  # ['https://example.com', '/relative']

सीमाएं

  • मालफॉर्म्ड HTML पर सख्त नहीं (ब्राउज़र जैसा पार्सिंग नहीं)।
  • जावास्क्रिप्ट-जनरेटेड कंटेंट नहीं संभालता।
  • जटिल स्क्रैपिंग के लिए BeautifulSoup (थर्ड-पार्टी) अधिक शक्तिशाली है।

html.parser स्टैंडर्ड लाइब्रेरी में है - कोई इंस्टॉलेशन आवश्यक नहीं, सरल पार्सिंग कार्यों के लिए उपयुक्त।

  1. HTML <address> टैग HTML <address> टैग

    HTML में address टैग डॉक्यूमेंट की संपर्क जानकारी/पता सेट करने के लिए उपयोग किया जाता है। उदाहरण के लिए, यदि आप कंपनी की वेबसाइट पर कंपनी का पता सेट करना चाहते हैं, तो आप इसे <address> टैग के तहत सेट कर सकते हैं।आइए अब HTML में address टैग को लागू करने का एक उदाहरण देखें −उदाहरण<!DOCT

  1. HTML <dl> टैग: विवरण सूची परिभाषित करना HTML <dl> टैग: विवरण सूची परिभाषित करना

    HTML <dl> टैग <dl> एलिमेंट (डिस्क्रिप्शन लिस्ट / विवरण सूची) शब्द-परिभाषा जोड़े (term-description pairs) का एक समूह दर्शाता है। HTML5 में यह विवरण सूची है, HTML4 में परिभाषा सूची (definition list) कहलाता था। संबंधित टैग्स <dt> (डेफिनिशन टर्म) - शब्द/नाम <dd> (डेफिनिशन ड

  1. पायथन प्रोग्राम में सिंपल इंटरेस्ट पायथन प्रोग्राम में सिंपल इंटरेस्ट

    इस लेख में, हम पायथन 3.x में सिंपल इंटरेस्ट की गणना के बारे में सीखेंगे। या इससे पहले। सिंपल इंटरेस्ट दैनिक ब्याज दर को मूल राशि से गुणा करके और भुगतान के बीच बीते दिनों की संख्या से गुणा करके गणना की जाती है। गणितीय रूप से, सिंपल इंटरेस्ट = (P x T x R) / 100 जहां, P मूल राशि है T समय है और R दर ह