《Python 概论》，第 4 版

第 22 章 结构化文本 结构化文本：HTML

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

网络上的大多数文档都使用 HTML（超文本标记语言）。标记是指在文本文档中插入特殊标记（称为 标记），使文本结构化。从理论上讲，HTML 是 SGML（ 标准通用标记语言）这一大型通用标准的应用。实际上，网络上的许多文档都以粗略或不正确的方式使用 HTML。

HTML 是为在浏览器中显示文档而设计的。随着网络内容的发展，用户意识到它缺乏 语义标记的能力，在这种情况下，标记表示的是划定文本的含义，而不仅仅是其外观。完全、精确地提取 HTML 文档中的信息往往被证明是不可行的。一种名为 XHTML 的更严格标准试图弥补这些缺陷。XHTML 类似于传统的 HTML，但它是用 XML（可扩展标记语言）定义的，比 HTML 更精确。你可以使用第 23 章中介绍的工具来处理格式良好的 XHTML。不过，截至目前，XHTML 并未取得压倒性的成功，反而被更实用的 HTML5 所取代。

尽管困难重重，但从 HTML 文档中提取至少一些有用的信息（这项任务被称为 web scraping、spidering 或scraping）还是很有可能的。Python 的标准库试图提供帮助，它提供了html包，用于解析 HTML 文档，无论是为了展示文档，还是更常见的，作为试图从文档中提取信息的一部分。然而，当你处理的是有些破损的网页时（几乎总是这种情况！），第三方模块BeautifulSoup通常会给你带来最后、最好的希望。在本书中，出于实用的原因，我们主要介绍BeautifulSoup，而忽略了与之竞争的标准库模块。读者在寻找替代品时，还应该研究一下日益流行的scrapy软件包。

生成 HTML 和在 HTML 中嵌入 Python 也是相当频繁的任务。标准 Python 库不支持 HTML 生成或嵌入，但您可以使用 Python 字符串格式化，第三方模块也可以提供帮助。BeautifulSoup可以让您改变 HTML 树（因此，您可以通过编程，甚至 "从头开始"，建立一个 HTML 树）；另一种更可取的方法是模板化，例如，第三方模块jinja2 支持模板化，我们将在"The jinja2 Package "中介绍其基本要素。

HTML 实体模块

Python 标准库中的 html.entities模块提供了一些属性，它们都是映射（见表 22-1）。无论您使用哪种通用方法来解析、编辑或生成 HTML，它们都能派上用场，包括下一节介绍的BeautifulSoup包。

表 22-1. HTML.entities的属性

代码点2名称	从 Unicode 代码点到 HTML 实体名称的映射。例如，entities.codepoint2name[228]为 "auml"，因为 Unicode 字符 228，ä，"带重读的小写 a"，在 HTML 中编码为"ä"。
实体定义	从 HTML 实体名称到等效 Unicode 单字符串的映射。例如，entities. entitydefs ['auml']为'ä'，entities.entitydefs['sigma']为'σ'。
html5	HTML5 命名字符引用到等效单字符串的映射。例如，entities.html5['gt;']就是'>'。关键字中的尾部分号确实很重要--少数（但远非全部）HTML5 命名的字符引用可以选择拼写时不带尾部分号，在这种情况下，entities ...