利用Python抓取和解析网页（二）

WebjxCom提示： 对搜索引擎、文件索引、文档转换、数据检索、站点备份或迁移等应用程序来说，经常用到对网页(即HTML文件)的解析处理。事实上，通过Python语言提供的各种模块，我们无需借助Web服务器或者Web浏览器就能够解析和处理HTML文档。

　　对搜索引擎、文件索引、文档转换、数据检索、站点备份或迁移等应用程序来说，经常用到对网页(即HTML文件)的解析处理。事实上，通过Python语言提供的各种模块，我们无需借助Web服务器或者Web浏览器就能够解析和处理HTML文档。本文上篇中，我们介绍了一个可以帮助简化打开位于本地和Web上的HTML文档的Python模块。在本文中，我们将论述如何使用Python模块来迅速解析在HTML文件中的数据，从而处理特定的内容，如链接、图像和Cookie等。同时还会介绍如何规范HTML文件的格式标签。

　　一、从HTML文档中提取链接

　　Python语言还有一个非常有用的模块HTMLParser，该模块使我们能够根据HTML文档中的标签来简洁、高效地解析HTML文档。所以，在处理HTML文档的时候，HTMLParser是最常用的模块之一。

　　 import HTMLParser

　　 import urllib

　　 class parseLinks(HTMLParser.HTMLParser):

　　 def handle_starttag(self, tag, attrs):

　　 if tag == ' a ' :

　　 for name,value in attrs:

　　 if name == ' href ' :

　　 print value

　　 print self.get_starttag_text()

　　lParser = parseLinks()

　　lParser.feed(urllib.urlopen( " http://www.python.org/index.html " ).read())

　　处理HTML文档的时候，我们常常需要从其中提取出所有的链接。使用HTMLParser模块后，这项任务将变得易如反掌。首先，我们需要定义一个新的HTMLParser类，以覆盖handle_starttag()方法，我们将使用这个方法来显示所有标签的HRef属性值。

　　定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。然后，就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。

　　为了解析HTML文件的内容并显示包含其中的链接，可以使用read()函数将数据传递给HTMLParser对象。HTMLParser对象的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。需要注意，如果传给HTMLParser的feed()函数的数据不完整的话，那么不完整的标签会保存下来，并在下一次调用feed()函数时进行解析。当HTML文件很大，需要分段发送给解析器的时候，这个功能就会有用武之地了。下面是一个具体的例子

　　 import HTMLParser

　　 import urllib

　　 import sys

　　 # 定义HTML解析器

　　 class parseLinks(HTMLParser.HTMLParser):

　　 def handle_starttag(self, tag, attrs):

　　 if tag == ' a ' :

　　 for name,value in attrs:

　　 if name == ' href ' :

　　 print value

　　 print self.get_starttag_text()

　　 # 创建HTML解析器的实例

　　lParser = parseLinks()

　　 # 打开HTML文件

　　lParser.feed(urllib.urlopen( /

　　 " http://www.python.org/index.html " ).read())

　　lParser.close()

　　上述代码的运行结果太长，在此省略，您可以自己运行代码试试。

二、从HTML文档中提取图像

　　处理HTML文档的时候，我们常常需要从其中提取出所有的图像。使用HTMLParser模块后，这项任务将变得易如反掌。首先，我们需要定义一个新的HTMLParser类，以覆盖handle_starttag()方法，该方法的作用是查找img标签，并保存src属性值所指的文件。

　　 import HTMLParser

　　 import urllib

　　 def getImage(addr):

　　u = urllib.urlopen(addr)

　　data = u.read()

　　 class parseImages(HTMLParser.HTMLParser):

　　 def handle_starttag(self, tag, attrs):

　　 if tag == ' img ' :

　　 for name,value in attrs:

　　 if name == ' src ' :

　　getImage(urlString + " / " + value)

　　u = urllib.urlopen(urlString)

　　lParser.feed(u.read())

　　定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。然后，就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。

　　为了解析HTML文件的内容并显示包含其中的图像，可以使用feed(data)函数将数据发送至HTMLParser对象。HTMLParser对象的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。下面是一个具体的示例：

　　 import HTMLParser

　　 import urllib

　　 import sys

　　urlString = " http://www.python.org "

　　 # 把图像文件保存至硬盘

　　 def getImage(addr):

　　u = urllib.urlopen(addr)

　　data = u.read()

　　splitPath = addr.split( ' / ' )

　　fName = splitPath.pop()

　　 print " Saving %s " % fName

　　f = open(fName, ' wb ' )

　　f.write(data)

　　f.close()

　　 # 定义HTML解析器

　　 class parseImages(HTMLParser.HTMLParser):

　　 def handle_starttag(self, tag, attrs):

　　 if tag == ' img ' :

　　 for name,value in attrs:

　　 if name == ' src ' :

　　getImage(urlString + " / " + value)

　　 # 创建HTML解析器的实例

　　lParser = parseImages()

　　 # 打开HTML文件

　　u = urllib.urlopen(urlString)

　　 print " Opening URL/n==================== "

　　 print u.info()

　　 # 把HTML文件传给解析器

　　lParser.feed(u.read())

　　lParser.close()

　　上述代码的运行结果如下所示：

　　Opening URL

　　 ====================

　　Date: Fri, 26 Jun 2009 10 : 54 : 49 GMT

　　Server: Apache / 2.2 . 9 (Debian) DAV / 2 SVN / 1.5 . 1 mod_ssl / 2.2 . 9 OpenSSL / 0.9 .8g mod_wsgi / 2.3 Python / 2.5 . 2

　　Last - Modified: Thu, 25 Jun 2009 0 9 : 44 : 54 GMT

　　ETag: " 105800d-46e7-46d29136f7180 "

　　Accept - Ranges: bytes

　　Content - Length: 18151

　　Connection: close

　　Content - Type: text / html

　　Saving python - logo.gif

　　Saving trans.gif

　　Saving trans.gif

　　Saving afnic.fr.png

 三、从HTML文档中提取文本

　　处理HTML文档的时候，我们常常需要从其中提取出所有的文本。使用HTMLParser模块后，这项任务将变得非常简单了。首先，我们需要定义一个新的HTMLParser类，以覆盖handle_data()方法，该方法是用来解析并文本数据的。

　　 import HTMLParser

　　 import urllib

　　 class parseText(HTMLParser.HTMLParser):

　　 def handle_data(self, data):

　　 if data != ' /n ' :

　　urlText.append(data)

　　lParser = parseText()

　　lParser.feed(urllib.urlopen( /

　　http: // docs.python.org / lib / module - HTMLParser.html).read())

　　定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。然后，就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。

　　为了解析HTML文件的内容并显示包含其中的文本，我们可以使用feed(data)函数将数据传递给HTMLParser对象。HTMLParser对象的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。要注意的是，如果传给HTMLParser的feed()函数的数据不完整的话，那么不完整的标签会保存下来，并在下一次调用feed()函数时进行解析。当HTML文件很大，需要分段发送给解析器的时候，这个功能就会有用武之地了。下面是一个具体的代码示例：

　　 import HTMLParser

　　 import urllib

　　urlText = []

　　 # 定义HTML解析器

　　 class parseText(HTMLParser.HTMLParser):

　　 def handle_data(self, data):

　　 if data != ' /n ' :

　　urlText.append(data)

　　 # 创建HTML解析器的实例

　　lParser = parseText()

　　 # 把HTML文件传给解析器

　　lParser.feed(urllib.urlopen( /

　　“http: // docs.python.org / lib / module - HTMLParser.html” /

　　).read())

　　lParser.close()

　　 for item in urlText:

　　 print item

　　上面代码的运行输出过长，在此略过

 

四、从HTML文档中提取Cookies

　　很多时候，我们都需要处理Cookie，幸运的是Python语言的cookielib模块为我们提供了许多自动处理在HTML中的HTTP Cookie的类。当处理要求为客户端设置Cookie的HTML文档的时候，这些类对我们非常有用。

　　 import urllib2

　　 import cookielib

　　 from urllib2 import urlopen, Request

　　cJar = cookielib.LWPCookieJar()

　　opener = urllib2.build_opener( /

　　urllib2.HTTPCookieProcessor(cJar))

　　urllib2.install_opener(opener)

　　r = Request(testURL)

　　h = urlopen(r)

　　 for ind, cookie in enumerate(cJar):

　　 print " %d - %s " % (ind, cookie)

　　cJar.save(cookieFile)

　　为了从HTML文档提取cookies，首先得使用cookielib模块的LWPCookieJar()函数创建一个cookie jar的实例。LWPCookieJar()函数将返回一个对象，该对象可以从硬盘加载Cookie，同时还能向硬盘存放Cookie。

　　接下来，使用urllib2模块的build_opener([handler, . . .])函数创建一个opener对象，当HTML文件打开时该对象将处理cookies。函数build_opener可以接收零个或多个处理程序(这些程序将按照它们被指定的顺序连接在一起)作为参数并返回一个。

　　注意，如果想让urlopen()使用opener对象来打开HTML文件的话，可以调用install_opener(opener)函数，并将opener对象传给它。否则，请使用opener对象的open(url)函数来打开HTML文件。

　　一旦已经创建并安装了opener对象，就可以使用urllib2模块中的Request(url)函数来创建一个Request对象，然后就能使用urlopen(Request)函数来打开HTML文件了。

　　打开HTML页面后，该页面的所有Cookie将被存放到LWPCookieJar对象中，之后，您可以使用LWPCookieJar对象的save(filename)函数了。

　　 import os

　　 import urllib2

　　 import cookielib

　　 from urllib2 import urlopen, Request

　　cookieFile = " cookies.dat "

　　testURL = ' http://maps.google.com/ '

　　 # 为cookie jar 创建实例

　　cJar = cookielib.LWPCookieJar()

　　 # 创建HTTPCookieProcessor的opener对象

　　opener = urllib2.build_opener( /

　　urllib2.HTTPCookieProcessor(cJar))

　　 # 安装HTTPCookieProcessor的opener

　　urllib2.install_opener(opener)

　　 # 创建一个Request对象

　　r = Request(testURL)

　　 # 打开HTML文件

　　h = urlopen(r)

　　 print " 页面的头部/n====================== "

　　 print h.info()

　　 print " 页面的Cookies/n====================== "

　　 for ind, cookie in enumerate(cJar):

　　 print " %d - %s " % (ind, cookie)

　　 # 保存cookies

　　cJar.save(cookieFile)

　　上述代码的运行结果如下所示：

　　页面的头部

　　 ======================

　　Cache - Control: private

　　Content - Type: text / html; charset = ISO - 8859 - 1

　　Set - Cookie: PREF = ID = 5d9692b55f029733:NW = 1 :TM = 1246015608 :LM = 1246015608 :S = frfx -- b3xt73TaEA; expires = Sun, 26 - Jun - 2011 11 : 26 : 48 GMT; path =/ ; domain = .google.com

　　Date: Fri, 26 Jun 2009 11 : 26 : 48 GMT

　　Server: mfe

　　Expires: Fri, 26 Jun 2009 11 : 26 : 48 GMT

　　Transfer - Encoding: chunked

　　Connection: close

　　页面的Cookies

　　 ======================

　　0 -

 五、为HTML文档中的属性值添加引号

　　前面我们讨论了如果根据HTML解析器中的某种处理程序来解析HTML文件，可是有时候我们却需要使用所有的处理程序来处理HTML文档。值得庆幸的是，使用HTMLParser模块解析HTML文件的所有要素并不比处理链接或者图像难多少。

　　 import HTMLParser

　　 import urllib

　　 class parseAttrs(HTMLParser.HTMLParser):

　　 def handle_starttag(self, tag, attrs):

　　. . .

　　attrParser = parseAttrs()

　　attrParser.init_parser()

　　attrParser.feed(urllib.urlopen( " test2.html " ).read())

　　这里，我们将讨论如何使用HTMLParser模块来解析HTML文件，从而为“裸奔”的属性值加上引号。首先，我们要定义一个新的HTMLParser类，以覆盖下面所有的处理程序来为属性值添加引号。

　　handle_starttag(tag, attrs)

　　handle_charref(name)

　　handle_endtag(tag)

　　handle_entityref(ref)

　　handle_data(text)

　　handle_comment(text)

　　handle_pi(text)

　　handle_decl(text)

　　handle_startendtag(tag, attrs)

　　我们还需要在parser类中定义一个函数来初始化用于存储解析好的数据的变量，同时还要定义另外一个函数来返回解析好的数据。

　　定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。使用我们创建的init函数初始化该解析器，这样，我们就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。

　　为了解析HTML文件的内容并给属性值添加引号，可以使用feed(data)函数将数据传递给HTMLParser对象。HTMLParser对象的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。下面是一个具体的示例代码：

　　 import HTMLParser

　　 import urllib

　　 import sys

　　 # 定义HTML解析器

　　 class parseAttrs(HTMLParser.HTMLParser):

　　 def init_parser (self):

　　self.pieces = []

　　 def handle_starttag(self, tag, attrs):

　　fixedAttrs = ""

　　 # for name,value in attrs:

　　 for name, value in attrs:

　　fixedAttrs += " %s=/"%s/" " % (name, value)

　　self.pieces.append( " <%s %s> " % (tag, fixedAttrs))

　　 def handle_charref(self, name):

　　self.pieces.append( " &#%s; " % (name))

　　 def handle_endtag(self, tag):

　　self.pieces.append( "" % (tag))

　　 def handle_entityref(self, ref):

　　self.pieces.append( " &%s " % (ref))

　　 def handle_data(self, text):

　　self.pieces.append(text)

　　 def handle_comment(self, text):

　　self.pieces.append( "" % (text))

　　 def handle_pi(self, text):

　　self.pieces.append( "" % (text))

　　 def handle_decl(self, text):

　　self.pieces.append( "" % (text))

　　 def parsed (self):

　　 return "" .join(self.pieces)

　　 # 创建HTML解析器的实例

　　attrParser = parseAttrs()

　　 # 初始化解析器数据

　　attrParser.init_parser()

　　 # 把HTML文件传给解析器

　　attrParser.feed(urllib.urlopen( " test2.html " ).read())

　　 # 显示原来的文件内容

　　 print " 原来的文件/n======================== "

　　 print open( " test2.html " ).read()

　　 # 显示解析后的文件

　　 print " 解析后的文件/n======================== "

　　 print attrParser.parsed()

　　attrParser.close()

　　我们还需要建立一个测试文件，名为test2.html，该文件内容可以从上述代码的运行结果看到，具体如下所示：

原来的文件
========================
< html >
< head >
< meta content = " text/html; charset=utf-8 "
http - equiv = " content-type " />
< title > Web页面 title >
head >
< body >
< H1 > Web页面清单 H1 >
< a href = http: // www.python.org > Python网站 a >
< a href = test.html > 本地页面 a >
< img SRC = test.jpg >
body >
html >

解析后的文件
========================
< html >
< head >
< meta content = " text/html; charset=utf-8 "
http - equiv = " content-type " > meta >
< title > Web页面 title >
head >
< body >
< h1 > Web页面清单 h1 >
< a href = " http://www.python.org " > Python网站 a >
< a href = " test.html " > 本地页面 a >
< img src = " test.jpg " >
body >
html >

　　六、小结

　　对搜索引擎、文件索引、文档转换、数据检索、站点备份或迁移等应用程序来说，经常用到对网页(即HTML文件)的解析处理。事实上，通过Python语言提供的各种模块，我们无需借助Web服务器或者Web浏览器就能够解析和处理HTML文档。本文将详细介绍了如何使用Python模块来迅速解析在HTML文件中的数据，从而处理特定的内容，如链接、图像和Cookie等。同时，我们还给出了一个规范HTML文件的格式标签的例子，希望本文对您会有所帮助。