展开全部

python是有相关的解析html格式的模块的

可以识别出标签，简单的处理文件你可以用Beautiful Soup模块，想做大一些的爬虫可32313133353236313431303231363533e4b893e5b19e31333361313235以使用scrapy框架的xpath语法来锁定标签。

这里引用下官方说明：Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。

Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。

因此可以很方便地提取出HTML或XML标签中的内容

给你个样例：from bs4 import BeautifulSoup

import urllib2

html = urllib2.urlopen(url).read()  #这里是直接爬取一个网址了，html变量也可以是一个本地的文件

content = BeautifulSoup(html).findAll('a') #使用这句就可以提取出文件中所有的中的内容

"""模块还支持很多路径索引修改相关的功能，总之功能是比较强大的"""

希望我的回答可以帮到你：-)