一、python处理XML
XML 指可扩展标记语言（eXtensible Markup Language）。XML 被设计用来传输和存储数据。XML是一套定义语义标记的规则，这些标记将文档分成许多部件并对这些部件加以标识。它也是元标记语言，即定义了用于定义其他与特定领域有关的、语义的、结构化的标记语言的句法语言。
Python对XML的解析:常见的XML编程接口有DOM和SAX，这两种接口处理XML文件的方式不同，当然使用场合也不同。
1.SAX (simple API for XML )
python 标准库包含SAX解析器，SAX用事件驱动模型，通过在解析XML的过程中触发一个个的事件并调用用户定义的回调函数来处理XML文件。
2.DOM(Document Object Model)
将XML数据在内存中解析成一个树，通过对树的操作来操作XML。
注：因DOM需要将XML数据映射到内存中的树，一是比较慢，二是比较耗内存，而SAX流式读取XML文件，比较快，占用内存少，但需要用户实现回调函数（handler）。
例：
cat book.xml
<?xml version="1.0" encoding="ISO-8859-1"?><bookstore><book><title lang="eng">Harry Potter</title><price>29.99</price></book><book><title lang="eng">Learning XML</title><price>39.95</price></book></bookstore>
使用python处理的相关代码如下：
import stringfrom xml.parsers.expat import ParserCreateclass DefaultSaxHandler(object): def start_element(self,name,attrs): self.name=name #print(‘element:%s, attrs:%s‘ % (name,str(attrs))) print("<"+name+">") def end_element(self,name): #print(‘end element:%s‘ % name) print("</"+name+">") def char_data(self,text): if text.strip(): print("%s‘s text is %s" % (self.name,text))handler = DefaultSaxHandler()parser = ParserCreate()parser.StartElementHandler=handler.start_elementparser.EndElementHandler=handler.end_elementparser.CharacterDataHandler=handler.char_datawith open(‘book.xml‘) as f: parser.Parse(f.read())抓取全国各省邮编的实例：
650) this.width=650;" src="https://s4.51cto.com/oss/201711/15/ebbe7c5dabe92e4b624f60f5e9d8e107.jpg" title="11.jpg" alt="ebbe7c5dabe92e4b624f60f5e9d8e107.jpg" />
import requestsfrom xml.parsers.expat import ParserCreateclass DefaultSaxHandler(object): def __init__(self,provinces): self.provinces=provinces def start_element(self,name,attrs): if name != ‘map‘: name = attrs[‘title‘] number = attrs[‘href‘] self.provinces.append((name,number)) def end_element(self,name): pass def char_data(self,text): passdef get_province_entry(url): content=requests.get(url).content.decode(‘gb2312‘) start=content.find(‘<map name="map_86" id="map_86">‘) end=content.find(‘</map>‘) content=content[start:end+len(‘</map>‘)].strip() #print(content) provinces = [] handler = DefaultSaxHandler(provinces) parser = ParserCreate() parser.StartElementHandler = handler.start_element parser.EndElementHandler = handler.end_element parser.CharacterDataHandler = handler.char_data parser.Parse(content) return provincesprovinces=get_province_entry(‘http://www.ip138.com/post‘)print(provinces)
DOM的一个小例子：
from xml.dom import minidomdoc = minidom.parse(‘book.xml‘)root = doc.documentElementprint(root.nodeName)books = root.getElementsByTagName(‘book‘)for book in books: titles = book.getElementsByTagName(‘title‘) prices = book.getElementsByTagName(‘price‘) print(titles[0].childNodes[0].nodeValue + ":" + prices[0].childNodes[0].nodeValue)
二、HTMLParser
html.parser的核心是HTMLParser类。工作的流程是：当feed给它一个类似HTML格式的字符串时，它会调用goahead方法向前迭代各个标签，并调用对应的parse_xxxx方法提取start_tag, tag, data, comment 和end_tag 等标签信息和数据，然后调用对应的方法对这些抽取出来的内容进行处理
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>或者<……/>
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<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
markupbase安装方法: 直接‘pip install‘无法安装成功，尝试命令‘pip search markupbase‘得到包名‘micropython-markupbase’，然后直接在网页上下载这个包，下载后里面有一个‘_markupbase.py‘文件，将文件名前缀去掉后文件复制到python安装目录‘\lib\site-packages‘下。例：cp markupbase.py /usr/local/lib/python3.6/site-packages/
下例：处理指定的html文件
#coding=utf-8from HTMLParser import HTMLParserclass MyParser(HTMLParser): """一个简单的HTMLparser的例子""" def handle_decl(self, decl): """处理头文档""" HTMLParser.handle_decl(self, decl) print(decl) def handle_starttag(self, tag, attrs): """处理起始标签""" HTMLParser.handle_starttag(self, tag, attrs) if not HTMLParser.get_starttag_text(self).endswith("/>"): print("<"+tag+">") def handle_data(self, data): """处理文本元素""" HTMLParser.handle_data(self, data) print(data) def handle_endtag(self, tag): """处理结束标签""" HTMLParser.handle_endtag(self, tag) if not HTMLParser.get_starttag_text(self).endswith("/>"): print("</"+tag+">") def handle_startendtag(self, tag, attrs): """处理自闭标签""" HTMLParser.handle_startendtag(self, tag, attrs) print(HTMLParser.get_starttag_text(self)) def handle_comment(self, data): """处理注释""" HTMLParser.handle_comment(self, data) print(data) def close(self): HTMLParser.close(self) print("parser over")demo=MyParser()demo.feed(open("test.html").read())demo.close()本文出自 “WorkNote” 博客，请务必保留此出处http://caiyuanji.blog.51cto.com/11462293/1981977
XML与HTML的分析处理
原文地址：http://caiyuanji.blog.51cto.com/11462293/1981977