> **Источник:** https://python-all.ru/3.1/library/html.parser.html > > «Документация Python на русском» – неофициальный перевод официальной документации Python: версии от 2.6 до 3.16, полнотекстовый поиск, английский оригинал рядом с переводом. Эта Markdown-версия страницы предназначена для работы с LLM: вставьте её в ChatGPT, Claude или Cursor. --- # 19.1. `html.parser` – Простой парсер HTML и XHTML Этот модуль определяет класс [`HTMLParser`](https://python-all.ru/3.1/library/html.parser.html#html.parser.HTMLParser), который служит основой для разбора текстовых файлов в формате HTML (язык гипертекстовой разметки) и XHTML. #### `class html.parser.HTMLParser` Класс [`HTMLParser`](https://python-all.ru/3.1/library/html.parser.html#html.parser.HTMLParser) создаётся без аргументов. Экземпляр [`HTMLParser`](https://python-all.ru/3.1/library/html.parser.html#html.parser.HTMLParser) получает HTML-данные и вызывает функции-обработчики при начале и конце тегов. Класс [`HTMLParser`](https://python-all.ru/3.1/library/html.parser.html#html.parser.HTMLParser) предназначен для переопределения пользователем, чтобы реализовать нужное поведение. Этот парсер не проверяет, соответствуют ли закрывающие теги открывающим, и не вызывает обработчик закрывающего тега для элементов, которые неявно закрываются при закрытии внешнего элемента. Также определено исключение: #### `exception html.parser.HTMLParseError` Исключение, вызываемое классом [`HTMLParser`](https://python-all.ru/3.1/library/html.parser.html#html.parser.HTMLParser) при возникновении ошибки во время разбора. Это исключение предоставляет три атрибута: `msg` – краткое сообщение с описанием ошибки, `lineno` – номер строки, на которой была обнаружена ошибочная конструкция, и `offset` – количество символов от начала строки до начала конструкции. Экземпляры [`HTMLParser`](https://python-all.ru/3.1/library/html.parser.html#html.parser.HTMLParser) имеют следующие методы: #### `HTMLParser.reset()` Сбрасывает экземпляр. Теряет все необработанные данные. Вызывается неявно при создании экземпляра. #### `HTMLParser.feed(data)` Передаёт парсеру некоторый текст. Текст обрабатывается по мере поступления полных элементов; неполные данные буферизуются до тех пор, пока не будут переданы новые данные или не будет вызван [`close()`](https://python-all.ru/3.1/library/html.parser.html#html.parser.HTMLParser.close) . #### `HTMLParser.close()` Принудительно обрабатывает все буферизованные данные так, как если бы за ними следовал маркер конца файла. Этот метод может быть переопределён в производном классе для добавления обработки в конце входных данных, но переопределённая версия всегда должна вызывать метод базового класса [`HTMLParser`](https://python-all.ru/3.1/library/html.parser.html#html.parser.HTMLParser) – [`close()`](https://python-all.ru/3.1/library/html.parser.html#html.parser.HTMLParser.close) . #### `HTMLParser.getpos()` Возвращает номер текущей строки и смещение. #### `HTMLParser.get_starttag_text()` Возвращает текст самого последнего открытого начального тега. Обычно это не требуется для структурированной обработки, но может пригодиться при работе с HTML «как есть» или при повторной генерации входных данных с минимальными изменениями (пробелы между атрибутами можно сохранить и т.д.). #### `HTMLParser.handle_starttag(tag, attrs)` Этот метод вызывается для обработки начала тега. Предназначен для переопределения в производном классе; реализация базового класса ничего не делает. Аргумент *tag* – это имя тега, приведённое к нижнему регистру. Аргумент *attrs* – это список пар `(name, value)`, содержащий атрибуты, найденные внутри угловых скобок `<>` тега. Имя *name* переводится в нижний регистр, кавычки в значении *value* удалены, а ссылки на символы и сущности заменены. Например, для тега `` этот метод будет вызван как `handle_starttag('a', [('href', 'http://www.cwi.nl/')])`. Все ссылки на сущности из [`html.entities`](https://python-all.ru/3.1/library/html.entities.html#module-html.entities) заменяются в значениях атрибутов. #### `HTMLParser.handle_startendtag(tag, attrs)` Аналогично [`handle_starttag()`](https://python-all.ru/3.1/library/html.parser.html#html.parser.HTMLParser.handle_starttag) , но вызывается, когда парсер встречает пустой тег в стиле XHTML ( `` ). Этот метод может быть переопределён подклассами, которым требуется эта конкретная лексическая информация; реализация по умолчанию просто вызывает [`handle_starttag()`](https://python-all.ru/3.1/library/html.parser.html#html.parser.HTMLParser.handle_starttag) и [`handle_endtag()`](https://python-all.ru/3.1/library/html.parser.html#html.parser.HTMLParser.handle_endtag) . #### `HTMLParser.handle_endtag(tag)` Этот метод вызывается для обработки закрывающего тега элемента. Предназначен для переопределения в производном классе; реализация базового класса ничего не делает. Аргумент *tag* – это имя тега, приведённое к нижнему регистру. #### `HTMLParser.handle_data(data)` Этот метод вызывается для обработки произвольных данных. Предназначен для переопределения в производном классе; реализация базового класса ничего не делает. #### `HTMLParser.handle_charref(name)` Этот метод вызывается для обработки символьной ссылки вида `&#ref;` . Предназначен для переопределения в производном классе; реализация базового класса ничего не делает. #### `HTMLParser.handle_entityref(name)` Этот метод вызывается для обработки общей ссылки на сущность вида `&name;` , где *name* – это общая ссылка на сущность. Предназначен для переопределения в производном классе; реализация базового класса ничего не делает. #### `HTMLParser.handle_comment(data)` Этот метод вызывается при обнаружении комментария. Аргумент *comment* – это строка, содержащая текст между разделителями `--` и `--` , но не сами разделители. Например, комментарий `` вызовет этот метод с аргументом `'text'` . Предназначен для переопределения в производном классе; реализация базового класса ничего не делает. #### `HTMLParser.handle_decl(decl)` Метод, вызываемый, когда парсер считывает объявление SGML `doctype` . Параметр *decl* будет содержать полное содержимое объявления внутри разметки `` . Предназначен для переопределения в производном классе; реализация базового класса ничего не делает. #### `HTMLParser.unknown_decl(data)` Метод, вызываемый, когда парсер считывает нераспознанное объявление SGML. Параметр *data* будет содержать полное содержимое объявления внутри разметки `` . Иногда полезно переопределить этот метод в производном классе; реализация базового класса вызывает [`HTMLParseError`](https://python-all.ru/3.1/library/html.parser.html#html.parser.HTMLParseError) . #### `HTMLParser.handle_pi(data)` Метод, вызываемый при обнаружении инструкции обработки. Параметр *data* будет содержать всю инструкцию обработки. Например, для инструкции обработки `` этот метод будет вызван как `handle_pi("proc color='red'")`. Предназначен для переопределения в производном классе; реализация базового класса ничего не делает. > **Примечание** > > Класс [`HTMLParser`](https://python-all.ru/3.1/library/html.parser.html#html.parser.HTMLParser) использует синтаксические правила SGML для обработки инструкций. Инструкция обработки XHTML, использующая завершающий `'?'`, приведёт к включению `'?'` в *data*. ## 19.1.1. Пример приложения для разбора HTML В качестве базового примера ниже представлен очень простой парсер HTML, который использует [`HTMLParser`](https://python-all.ru/3.1/library/html.parser.html#html.parser.HTMLParser) класс для вывода тегов по мере их обнаружения: ```python >>> from html.parser import HTMLParser >>> >>> class MyHTMLParser(HTMLParser): ... def handle_starttag(self, tag, attrs): ... print("Encountered a {} start tag".format(tag)) ... def handle_endtag(self, tag): ... print("Encountered a {} end tag".format(tag)) ... >>> page = """

Title

I'm a paragraph!

""" >>> >>> myparser = MyHTMLParser() >>> myparser.feed(page) Encountered a html start tag Encountered a h1 start tag Encountered a h1 end tag Encountered a p start tag Encountered a p end tag Encountered a html end tag ```