Skip to main content

html

html 模块提供 HTML 转义/反转义工具函数，html.parser 子模块提供基于事件的 HTML 解析器。

html | html.parser

HTML 转义与反转义​

import html

# 转义：将特殊字符转为 HTML 实体
text = '<script>alert("XSS")</script>'
safe = html.escape(text)
print(safe)
# &lt;script&gt;alert(&quot;XSS&quot;)&lt;/script&gt;

# 不转义引号
safe2 = html.escape(text, quote=False)
print(safe2)
# &lt;script&gt;alert("XSS")&lt;/script&gt;

# 反转义：将 HTML 实体还原为字符
encoded = '&lt;p&gt;Hello &amp; World&lt;/p&gt;'
print(html.unescape(encoded))
# <p>Hello & World</p>

# 也支持数字字符引用
print(html.unescape('&#60;b&#62;粗体&#60;/b&#62;'))
# <b>粗体</b>
tip

在 Web 开发中，将用户输入通过 html.escape() 转义后再嵌入 HTML，是防止 XSS 攻击的基本手段。

HTMLParser 基本用法​

html.parser.HTMLParser 是基于事件驱动的解析器——继承它并重写 handle_* 方法来处理不同的 HTML 元素。

from html.parser import HTMLParser

class MyParser(HTMLParser):
    def handle_starttag(self, tag, attrs):
        print(f"开始标签: <{tag}> 属性: {attrs}")

    def handle_endtag(self, tag):
        print(f"结束标签: </{tag}>")

    def handle_data(self, data):
        if data.strip():
            print(f"文本内容: {data.strip()}")

parser = MyParser()
parser.feed("""
<html>
<body>
    <h1 class="title">你好世界</h1>
    <p>这是一个<a href="https://example.com">链接</a></p>
</body>
</html>
""")
# 开始标签: <html> 属性: []
# 开始标签: <body> 属性: []
# 开始标签: <h1> 属性: [('class', 'title')]
# 文本内容: 你好世界
# 结束标签: </h1>
# ...

提取所有链接​

from html.parser import HTMLParser

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)

html_content = """
<nav>
    <a href="https://python.org">Python</a>
    <a href="https://docs.python.org">文档</a>
    <a href="/about">关于</a>
</nav>
"""

extractor = LinkExtractor()
extractor.feed(html_content)
print(extractor.links)
# ['https://python.org', 'https://docs.python.org', '/about']

提取纯文本​

from html.parser import HTMLParser

class TextExtractor(HTMLParser):
    def __init__(self):
        super().__init__()
        self.text_parts = []
        self._skip = False

    def handle_starttag(self, tag, attrs):
        if tag in ('script', 'style'):
            self._skip = True

    def handle_endtag(self, tag):
        if tag in ('script', 'style'):
            self._skip = False

    def handle_data(self, data):
        if not self._skip and data.strip():
            self.text_parts.append(data.strip())

    def get_text(self):
        return ' '.join(self.text_parts)

html_content = """
<html>
<head><style>body { color: red; }</style></head>
<body>
    <h1>标题</h1>
    <p>段落内容</p>
    <script>alert('ignored')</script>
</body>
</html>
"""

extractor = TextExtractor()
extractor.feed(html_content)
print(extractor.get_text())  # 标题 段落内容

处理注释和特殊声明​

from html.parser import HTMLParser

class FullParser(HTMLParser):
    def handle_comment(self, data):
        print(f"注释: {data.strip()}")

    def handle_decl(self, decl):
        print(f"声明: {decl}")

    def handle_starttag(self, tag, attrs):
        print(f"标签: <{tag}>")

parser = FullParser()
parser.feed('<!DOCTYPE html><!-- 页面注释 --><html><body></body></html>')
# 声明: DOCTYPE html
# 注释: 页面注释
# 标签: <html>
# 标签: <body>
html.parser vs 第三方库
特性html.parserBeautifulSouplxml
安装标准库第三方第三方
API 风格事件驱动（SAX 风格）DOM 树操作DOM + XPath
容错性良好优秀优秀
性能中等较慢最快
适用场景简单提取任务通用爬虫/解析高性能需求

对于简单的 HTML 处理任务，html.parser 无需额外依赖即可胜任；复杂场景推荐 BeautifulSoup 或 lxml。