如果我们要编写一个搜索引擎，第一步是用爬虫把目标网站的页面抓下来，第二步就是解析该html页面，看看里面的内容到底是新闻、图片还是视频。
假设第一步已经完成了，第二步应该如何解析html呢？
html本质上是xml的子集，但是html的语法没有xml那么严格，所以不能用标准的dom或sax来解析html。
好在python提供了htmlparser来非常方便地解析html，只需简单几行代码：
from htmlparser import htmlparserfrom htmlentitydefs import name2codepointclass myhtmlparser(htmlparser): def handle_starttag(self, tag, attrs): print('' % tag) def handle_endtag(self, tag): print('' % tag) def handle_startendtag(self, tag, attrs): print('' % tag) def handle_data(self, data): print('data') def handle_comment(self, data): print('') def handle_entityref(self, name): print('&%s;' % name) def handle_charref(self, name): print('&#%s;' % name)parser = myhtmlparser()parser.feed('some html tutorial...
end
')
feed()方法可以多次调用，也就是不一定一次把整个html字符串都塞进去，可以一部分一部分塞进去。
特殊字符有两种，一种是英文表示的 ，一种是数字表示的ӓ，这两种字符都可以通过parser解析出来。
小结
找一个网页，例如https://www.python.org/events/python-events/，用浏览器查看源码并复制，然后尝试解析一下html，输出python官网发布的会议时间、名称和地点。