利用Python抓取和解析网页（二）补充

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。