Python之HTML的解析（网页抓取一）
http://blog.csdn.net/my2010sam/article/details/14526223
---------------------
对html的解析是网页抓取的基础，分析抓取的结果找到自己想要的内容或标签以达到抓取的目的。
HTMLParser是python用来解析html的模块。它可以分析出html里面的标签、数据等等，是一种处理html的简便途径。 HTMLParser采用的是一种事件驱动的模式，当HTMLParser找到一个特定的标记时，它会去调用一个用户定义的函数，以此来通知程序处理。它主要的用户回调函数的命名都是以handler_开头的，都是HTMLParser的成员函数。当我们使用时，就从HTMLParser派生出新的类，然后重新定义这几个以handler_开头的函数即可。这几个函数包括：
- handle_startendtag 处理开始标签和结束标签
- handle_starttag 处理开始标签，比如<xx> tag不区分大小写
- handle_endtag 处理结束标签，比如</xx>
- handle_charref 处理特殊字符串，就是以&#开头的，一般是内码表示的字符
- handle_entityref 处理一些特殊字符，以&开头的，比如
- handle_data 处理数据，就是<xx>data</xx>中间的那些数据
- handle_comment 处理注释
- handle_decl 处理<!开头的，比如<!DOCTYPE html PUBLIC “-//W3C//DTD HTML 4.01 Transitional//EN”
- handle_pi 处理形如<?instruction>的东西
def handle_starttag(self,tag,attr):
#注意：tag不区分大小写，此时也可以解析 <A 标签
# SGMLParser 会在创建attrs 时将属性名转化为小写。
if tag=='a':
for href,link in attr:
if href.lower()=="href":
pass
1. 基本解析，找到开始和结束标签
- <span style="font-size:18px;">#coding:utf-8
- from HTMLParser import HTMLParser
- '''''
- HTMLParser的成员函数:
- handle_startendtag 处理开始标签和结束标签
- handle_starttag 处理开始标签，比如<xx>
- handle_endtag 处理结束标签，比如</xx>
- handle_charref 处理特殊字符串，就是以&#开头的，一般是内码表示的字符
- handle_entityref 处理一些特殊字符，以&开头的，比如
- handle_data 处理数据，就是<xx>data</xx>中间的那些数据
- handle_comment 处理注释
- handle_decl 处理<!开头的，比如<!DOCTYPE html PUBLIC “-//W3C//DTD HTML 4.01 Transitional//EN”
- handle_pi 处理形如<?instruction>的东西
- '''
- class myHtmlParser(HTMLParser):
- #处理<!开头的内容
- def handle_decl(self,decl):
- print 'Encounter some declaration:'+ decl
- def handle_starttag(self,tag,attrs):
- print 'Encounter the beginning of a %s tag' % tag
- def handle_endtag(self,tag):
- print 'Encounter the end of a %s tag' % tag
- #处理注释
- def handle_comment(self,comment):
- print 'Encounter some comments:' + comment
- if __name__=='__main__':
- a = '<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">\
- <html><head><!--insert javaScript here!--><title>test</title><body><a href="http: //www.163.com">链接到163</a></body></html>'
- m=myHtmlParser()
- m.feed(a)
- m.close()
- 输出结果：
- Encounter some declaration:DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd"
- Encounter the beginning of a html tag
- Encounter the beginning of a head tag
- Encounter some comments:insert javaScript here!
- Encounter the beginning of a title tag
- Encounter the end of a title tag
- Encounter the beginning of a body tag
- Encounter the beginning of a a tag
- Encounter the end of a a tag
- Encounter the end of a body tag
- Encounter the end of a html tag</span>
2. 解析html的超链接和链接显示的内容
- <span style="font-size:18px;">#coding:utf-8
- from HTMLParser import HTMLParser
- class myHtmlParser(HTMLParser):
- def __init__(self):
- HTMLParser.__init__(self)
- self.flag=None
- # 这里重新定义了处理开始标签的函数
- def handle_starttag(self,tag,attrs):
- # 判断标签<a>的属性
- if tag=='a':
- self.flag='a'
- for href,link in attrs:
- if href=='href':
- print "href:",link
- def handle_data(self,data):
- if self.flag=='a':
- print "data:",data.decode('utf-8')
- if __name__ == '__main__':
- a = '<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">\
- <html><head><!--insert javaScript here!--><title>test</title><body><a href="http: //www.163.com">链接到163</a></body></html>'
- m=myHtmlParser()
- m.feed(a)
- m.close()
- 输出结果：
- href: http: //www.163.com
- data: 链接到163</span>
或：
- <span style="font-size:18px;">#coding:utf-8
- from HTMLParser import HTMLParser
- import urllib2
- class myparser(HTMLParser):
- # 继承父类初始化方法，并添加一个tag属性
- def __init__(self):
- HTMLParser.__init__(self)
- self.tag = None
- def handle_decl(self,decl):
- print u"声明：",decl
- def handle_starttag(self,tag,attrs):
- print u"开始标签；",tag
- # 判断是否是a开头的标签
- if tag=='a' and len(attrs):
- #设置 self.tag 标记
- self.tag='a'
- for href,link in attrs:
- if href=='href':
- print href+":"+link
- def handle_endtag(self,tag):
- print u"结束标签：",tag
- def handle_data(self,data):
- #处理 a 标签开头的数据
- if self.tag=='a':
- print u"数据内容：",data.decode("utf-8")
- def handle_comment(self,comm):
- print u"注释：",comm
- if __name__ == '__main__':
- a = '<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">\
- <html><head><!--insert javaScript here!--><title>test</title><body><a href="http: //www.163.com">链接到163</a><a href="http: //www.baidu.com">百度</a></body></html>'
- m = myparser()
- m.feed(a)
- 结果：
- 声明： DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd"
- 开始标签； html
- 开始标签； head
- 注释： insert javaScript here!
- 开始标签； title
- 结束标签： title
- 开始标签； body
- 开始标签； a
- href:http: //www.163.com
- 数据内容： 链接到163
- 结束标签： a
- 开始标签； a
- href:http: //www.baidu.com
- 数据内容： 百度
- 结束标签： a
- 结束标签： body
- 结束标签： html</span>