http://www.open-open.com/lib/view/1329700631343
SGMLParser 将 HTML 分解成有用的片段, 比如开始标记和结束标记。一旦它成功地分解出某个数据为一个有用的片段,它会根据 所发现的数据,调用一个自身内部的方法。为了使用这个分析器,您需要子类化 SGML- Parser类,并且覆盖这些方法。
SGMLParser类里面包含了很多内部方法,开始读取html后,遇到相应的数据就会调用其对应的方法,最重要的方法有三个:
tagname就是标签名称,比如当遇到<pre>,就会调用start_pre,遇到</pre>,就会调用 end_pre,attrs即为标签的参数,以[(attribute, value), (attribute, value), ...]的形式传回,我们要做的就是在其子类重载自己感兴趣标签对应的函数。
python提供了SGMLParser类用于html文件的解析。用户只需从SGMLParser类继承子类,并在子类中对html文件做具体处理。
例如 具有如下结构的html文件
<div class='entry-content'> <p>感兴趣内容1</p> <p>感兴趣内容2</p> …… <p>感兴趣内容n</p> </div> <div class='content'> <p>内容1</p> <p>内容2</p> …… <p>内容n</p> </div>
<div class='entry-content'> <p>这里的内容</p> <p>还有这里</p> …… <p>以及这里的内容</p> </div>
python为我们提供了SGMLParser类,SGMLParser 将 HTML 分析成 8 类数据[1],然后对每一类调用单独的方法:使用时只需继承SGMLParser 类,并编写页面信息的处理函数。
可用的处理函数如下:
是一个开始一个块的 HTML 标记,象 <html>,<head>,<body> 或 <pre> 等,或是一个独一的标记,象 <br> 或 <img> 等。当它找到一个开始标记 tagname,SGMLParser 将查找名为 start_tagname 或 do_tagname 的方法。例如,当它找到一个 <pre> 标记,它将查找一个 start_pre 或 do_pre 的方法。如果找到了,SGMLParser 会使用这个标记的属性列表来调用这个方法;否则,它用这个标记的名字和属性列表来调用 unknown_starttag 方法。
是结束一个块的 HTML 标记,象 </html>,</head>,</body> 或 </pre> 等。当找到一个结束标记时,SGMLParser 将查找名为 end_tagname 的方法。如果找到,SGMLParser 调用这个方法,否则它使用标记的名字来调用 unknown_endtag 。
用字符的十进制或等同的十六进制来表示的转义字符,象  。当找到,SGMLParser 使用十进制或等同的十六进制字符文本来调用 handle_charref 。
HTML 实体,象 ©。当找到,SGMLParser 使用 HTML 实体的名字来调用 handle_entityref 。
HTML 注释, 包括在 <!-- ... -->之间。当找到,SGMLParser 用注释内容来调用 handle_comment。
HTML 处理指令,包括在 <? ... > 之间。当找到,SGMLParser 用处理指令内容来调用 handle_pi。
HTML 声明,如 DOCTYPE,包括在 <! ... >之间。当找到,SGMLParser 用声明内容来调用 handle_decl。
文本块。不满足其它 7 种类别的任何东西。当找到,SGMLParser 用文本来调用 handle_data。
综上,得到如下代码
from sgmllib import SGMLParser class GetIdList(SGMLParser): def reset(self): self.IDlist = [] self.flag = False self.getdata = False SGMLParser.reset(self) def start_div(self, attrs): for k,v in attrs:#遍历div的所有属性以及其值 if k == 'class' and v == 'entry-content':#确定进入了<div class='entry-content'> self.flag = True return def end_div(self):#遇到</div> self.flag = False def start_p(self, attrs): if self.flag == False: return self.getdata = True
def end_p(self):#遇到</p> if self.getdata: self.getdata = False def handle_data(self, text):#处理文本 if self.getdata: self.IDlist.append(text)
<div class='entry-content'><div>我是来捣乱的</div><p>感兴趣</p></div>
修改后 如下:
from sgmllib import SGMLParser class GetIdList(SGMLParser): def reset(self): self.IDlist = [] self.flag = False self.getdata = False self.verbatim = 0 SGMLParser.reset(self) def start_div(self, attrs): if self.flag == True: self.verbatim +=1 #进入子层div了,层数加1 return for k,v in attrs:#遍历div的所有属性以及其值 if k == 'class' and v == 'entry-content':#确定进入了<div class='entry-content'> self.flag = True return def end_div(self):#遇到</div> if self.verbatim == 0: self.flag = False if self.flag == True:#退出子层div了,层数减1 self.verbatim -=1 def start_p(self, attrs): if self.flag == False: return self.getdata = True def end_p(self):#遇到</p> if self.getdata: self.getdata = False def handle_data(self, text):#处理文本 if self.getdata: self.IDlist.append(text) def printID(self): for i in self.IDlist: print i
t.printID()打印出结果
全部测试代码为:
from sgmllib import SGMLParser class GetIdList(SGMLParser): def reset(self): self.IDlist = [] self.flag = False self.getdata = False self.verbatim = 0 SGMLParser.reset(self) def start_div(self, attrs): if self.flag == True: self.verbatim +=1 #进入子层div了,层数加1 return for k,v in attrs:#遍历div的所有属性以及其值 if k == 'class' and v == 'entry-content':#确定进入了<div class='entry-content'> self.flag = True return def end_div(self):#遇到</div> if self.verbatim == 0: self.flag = False if self.flag == True:#退出子层div了,层数减1 self.verbatim -=1 def start_p(self, attrs): if self.flag == False: return self.getdata = True def end_p(self):#遇到</p> if self.getdata: self.getdata = False def handle_data(self, text):#处理文本 if self.getdata: self.IDlist.append(text) def printID(self): for i in self.IDlist: print i ##import urllib2 ##import datetime ##vrg = (datetime.date(2012,2,19) - datetime.date.today()).days ##strUrl = 'http://www.nod32id.org/nod32id/%d.html'%(200+vrg) ##req = urllib2.Request(strUrl)#通过网络获取网页 ##response = urllib2.urlopen(req) ##the_page = response.read() the_page ='''<html> <head> <title>test</title> </head> <body> <h1>title</h1> <div class='entry-content'> <div class= 'ooxx'>我是来捣乱的</div> <p>感兴趣内容1</p> <p>感兴趣内容2</p> …… <p>感兴趣内容n</p> <div class= 'ooxx'>我是来捣乱的2<div class= 'ooxx'>我是来捣乱的3</div></div> </div> <div class='content'> <p>内容1</p> <p>内容2</p> …… <p>内容n</p> </div> </body> </html> ''' lister = GetIdList() lister.feed(the_page) lister.printID()