Python对XML和HTML的解析

XML模块

XML比JSON复杂，在web中应用也不多，不过也需要了解一下。

DOM和SAX

操作XML有两种方法： 和 。 会把整个 读入内存，解析为树，因此占用内存大，解析慢，优点是可以遍历树的节点。

是流模式，边读边解析，占用内存小，解析快。缺点是需要自己处理事件。正常情况下，优先考虑SAX，因为DOM实在太占内存。

用SAX解析XML，通常关心三个方法： ， ， 。比如：

会产生三个事件，在读 ，产生 事件，读 时，产生 事件，读 时，产生 事件。

需要注意的是读取一大段字符串时，CharacterDataHandler可能被多次调用，所以需要自己保存起来，在EndElementHandler里面再合并。

如果要生成XML，最简单也是最有效的方法就是拼接字符串。

HTMLParser模块

如果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，那么第二步的解析HTML就需要使用到HTMLParser模块。

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。

feed()方法可以多次调用，也就是不一定一次把整个HTML放入。特殊字符有两种，一种是英文表示的 ，一种是数字表示的 ，这两种字符都可以通过Parser解析出来。