Open de IDLE teksteditor in Program Files ( of Programma's voor Macintosh ) in de python directory . Een lege broncode bestand opent

Import 2 de " html5lib " module door het schrijven van de volgende verklaringen aan de bovenkant van de broncode bestand : .

Import html5lib

uit html5lib import treebuilders , treewalkers , serializer

import urllib2
3

Maak een nieuwe HTML 5 -parser , die je zal gebruiken om een HTML-website te lezen . Het uitroepen van een nieuwe parser door het schrijven van het volgende :

parser
= html5lib.HTMLParser ( )
4

Open een website door het passeren van de naam in de urllib2.urlopen functie . Bijvoorbeeld, als u wilt openen " www.website_adddress.com , " schrijft het volgende: .

URL
= urllib2.urlopen ( " http://www.website_address.com " ) gelezen ( ) < br >
5

Passeer de website in de HTML 5 -parser een boom vertegenwoordiging krijgen . Bewaar deze voorstelling in een variabele met de naam " boom " door het schrijven van de volgende verklaring :

boom
= parser.parse ( URL )
6

Maak een boom wandelaar als dit :

treeWalker = treewalkers.getTreeWalker ( " dom " ) op Twitter

wandeling 7 door de boom met behulp van de boom wandelaar . De boom wandelaar zal een stroom van informatie die hij ontdekt in de HTML 5 website terug . Te lopen door de boom , schrijf de volgende :

stroom
= treeWalker ( boom)
8

Serialize de stroom , zodat u gemakkelijk kunt uitvoeren deze naar de console .

Serial
= serializer.htmlserializer.HTMLSerializer ( omit_optional_tags = False )

uitgang
= serial.serialize ( stream)
9 : U kunt de stroom met behulp van de volgende twee uitspraken serialize

Doorloop de seriële uitgang van de stroom als dit:

voor element van de output :
10

inspringen de lijn direct na de vorige verklaring en schrijf een print functie , zoals dit :

druk
( element )
11

Voer het programma door op F5 te drukken . Het script wordt geopend en vervolgens ontleden een HTML 5 webpagina. Het script serialiseert vervolgens de boomstructuur van de pagina en voert deze naar de console . De output is afhankelijk van de webpagina gekozen , maar kan er ongeveer zo uitzien :

< /head > < br >

Welkom op een webpagina !

< /body >

< /html >
< br >