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
- 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