一、从HTML文档中提取链接
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。
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。
# -*- coding: UTF-8 -*- __author__ = 'paul' 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':##显示标签为a for name,value in attrs: if name == 'href':#显示属性为href print value##显示标签属性值 print self.get_starttag_text()##全部显示 #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()
二、从HTML文档中提取图像
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:
# -*- coding: UTF-8 -*- __author__ = 'paul' import HTMLParser import urllib import sys urlString = "http://www.python.org" #urlString = "http://www.baidu.com" #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': #value1=value[2:] #print value1 print self.get_starttag_text() getImage(urlString + "/" + value)##当图片的src为相对路径时需要拼接 #getImage("http://"+value1)##当图片的src为相对路径时,直接使用绝对路径即可,但是需要注意的是,urllib.urlopen需要添加链接的协议如http://或者https://等等 #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()
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。
# -*- coding: UTF-8 -*- __author__ = 'paul' 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://www.baidu.com").read()) lParser.close() for item in urlText: print item
四、从HTML文档中提取Cookies
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。
# -*- coding: UTF-8 -*- __author__ = 'paul' import os import urllib2 import cookielib from urllib2 import urlopen, Request cookieFile = "cookies.dat" testURL = 'http://www.baidu.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======================" print cJar for ind, cookie in enumerate(cJar): print "%d - %s" % (ind, cookie) #保存cookies cJar.save(cookieFile)
五、为HTML文档中的属性值添加引号
# -*- coding: UTF-8 -*- __author__ = 'paul' 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("%s" % (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("s%" % (text)) def handle_pi(self, text): self.pieces.append("s%"% (text)) def handle_decl(self, text): self.pieces.append("s%" % (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()