http://blog.ianbicking.org/2008/03/30/python-html-parser-performance/

HTMLParser是Python自带的模块，能够很容易实现HTML文件的处理
使用HTMLParser解析HTML文件

看了一下介绍，觉得功能很强劲，还没又时间去研究。

BeautifulSoup简单文档有空我会去完善的。

用过jQuery的都知道，JavaScript处理html文本的方便好用了。现在有了pyQuery，python中也可以像JavaScript一样来处理jQuery了。

pyQuery

• 从HTML文件中抽取正文的简单方案
• Python Readability

现在标题 <title> 部分大多含有网站名称, 和子栏目名称。
如果希望得到干净的文章标题可以使用如下方法：

• 得到<title> </title>的内容
• 将title的与正文就最大交集，得到的就是干净的文章标题

得到了干净的标题和正文，余下的事情就好做咯