Python之HTML的解析(网页抓取一)

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 &nbsp;
  • 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

#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


2. 解析html的超链接和链接显示的内容 

#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

或:

#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


你可能感兴趣的:(Python之HTML的解析(网页抓取一))