HTMLParser

html.parser.HTMLParser 是标准库中的宽松 HTML 解析器。它按出现顺序调用回调方法，适合提取简单信息；复杂 DOM 查询可使用专业 HTML 解析库。

基本用法

from html.parser import HTMLParser

class LinkParser(HTMLParser):
    def handle_starttag(self, tag, attrs):
        if tag == "a":
            attributes = dict(attrs)
            print("链接：", attributes.get("href"))

    def handle_data(self, data):
        text = data.strip()
        if text:
            print("文本：", text)

parser = LinkParser()
parser.feed('<a href="/docs">文档</a>')
parser.close()

常用回调包括 handle_starttag、handle_startendtag、handle_endtag、handle_data、handle_comment 和 handle_entityref。attrs 是 (name, value) 列表，属性名通常已转为小写。

维护解析状态

class TitleParser(HTMLParser):
    def __init__(self):
        super().__init__()
        self.in_title = False
        self.title = []

    def handle_starttag(self, tag, attrs):
        self.in_title = tag == "title"

    def handle_endtag(self, tag):
        if tag == "title":
            self.in_title = False

    def handle_data(self, data):
        if self.in_title:
            self.title.append(data)

解析结束后使用 "".join(parser.title)。输入可以分多次调用 feed()，解析器会处理跨块标签；完成后调用 close() 触发收尾。

转义、限制与误区

使用 html.escape() 生成 HTML 文本，使用 html.unescape() 还原实体。HTMLParser 不会构建 DOM，不保证修复所有畸形 HTML，也不会执行 JavaScript。不要把回调数据直接拼进 HTML；输出到页面前仍需按上下文进行转义。处理网络内容时设置下载大小和超时限制。