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   tag不区分大小写
• handle_endtag       处理结束标签，比如
• 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data中间的那些数据
• handle_comment      处理注释
• handle_decl         处理
• handle_pi           处理形如的东西

def handle_starttag(self,tag,attr):
        #注意：tag不区分大小写，此时也可以解析

        # 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

 

    test"http: //www.163.com">链接到163'
    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

 

 

2. 解析html的超链接和链接显示的内容  

 

"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):
         # 判断标签的属性
    test"http: //www.163.com">链接到163'
    m=myHtmlParser()
    m.feed(a)
    m.close()

输出结果：

href: http: //www.163.com
data: 链接到163

 

 

或：

 

 
       
       "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 = '"-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">\   
           test"http: //www.163.com">链接到163"http: //www.baidu.com">百度'   
           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
"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 = '"-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">\
    test"http: //www.163.com">链接到163"http: //www.baidu.com">百度'
    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

转载于:https://www.cnblogs.com/kungfupanda/p/4655247.html