使用HTMLParser解析器爬取网页内容

相关模块的安装

• 1.安装requests 模块，在终端输入pip install requests 命令。使用requests 模块进行http请求，同时导入HTMLParser和re模块。
  
  
  
  为了解决编码带来的困扰，默认使用utf8编码。

解析网页内容

• 1.网页的url是http://www.gushiwen.org/gushi/tangshi.aspx ,该网页是个唐诗300首网页，里面有唐诗300首的标题和作者，点击某首唐诗进入其具体内容网页。我们想要抓取的内容是标题、作者、内容。

• 2.利用谷歌的chrome浏览器查看网页源代码。需要抓取的源代码如下：

  
  
  

  打开其中的一个div标签，显示如下：
  

  
  
  所以我们先抓取外层的div标签，这几个并列的div标签都有一个class属性为guwencont2,识别出外层的标签后就可以抓取内层的a标签的内容，包含古诗的标题和作者。还需要抓取该古诗的url,即为href属性值，例如/GuShiWen_6299b969fb.aspx，该内容拼接原始url为http://www.gushiwen.org 成http://www.gushiwen.org/GuShiWen_6299b969fb.aspx 即为具体内容网页。

• 3.来到古诗的具体内容网页，同样利用chrome的开发者工具显示源代码，显示如下：

  
  
  
  
  

  内容在p标签中，有一个align属性为center。

• 4.分析完如何解析出标题作者和内容后，开始写代码。自定义一个解释器继承HTMLParser ,在重写初始化函数__init__ 时要先初始化父类

  HTMLParser.__init__(self)

在初始化函数中定义一个字典，用于存储爬取到的标题作者和内容（1首诗对应一个字典），定义一个列表用于存储字典（列表中存储所有诗对应的字典）。定义几个标志位（用于标记上面分析的几个需要找到的标签），以及一个正则表达式（用于分离标题和作者）

• 定义一个解析属性函数，html标签中的属性和属性值在htmlparser解析器中是个tuple类型，返回属性名对应的属性值。

  
  
  

• 重写handle_starttag函数,该函数在查找到标签头自动调用,attrs包含该标签tag中所有的属性和属性值，类型是个列表，其中的元素都是tuple类型（属性名，属性值）。

  
  
  

• 重写handle_endtag函数,该函数在查找到标签末位自动调用

  
  
  

• 重写handle_data函数，该函数在查找到标签中的内容自动调用，利用正则表达式进行了匹配，如果匹配成功，匹配出来的组即为标题和作者。

  
  
  

• 5.实例化上面写的SongciParser类，传入原始url，使用requests 获得响应，把响应的内容喂给实例化的解析器。
  
  
  
  在主函数中执行如下代码
  
  

解析具体网页的内容

• 1.经过上面的解析，已经可以解析出唐诗300首的标题和作者，并且获得了每首古诗的url,接下来进入到具体古诗网页中获取内容。同样需要自定义一个解析器（继承HTMLParser）

  
  
  

• 2.加载每首古诗的url获取内容，进行了换行处理

  
  
  
  
  

  在主函数中调用如下,这个只加载了前10首古诗

  
  
  

• 3.下面是运行的结果