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
| मेथड | विवरण |
|---|---|
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 (©) के लिए |
handle_charref(name) | न्यूमेरिक कैरेक्टर रेफरेंस (©) 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।