python模块之HTMLParser
来源:互联网 发布:linux ps 命令详解 编辑:程序博客网 时间:2024/05/21 09:25
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>
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
常见的函数
- handle_starttag( tag, attrs)
- handle_startendtag( tag, attrs)
- handle_endtag( tag)
来实现自己需要的功能。
tag是的html标签,attrs是 (属性,值)元组(tuple)的列表(list).
HTMLParser自动将tag和attrs都转为小写。
这里我以从网页中获取到url为例,介绍一下。要想获取到url,肯定是要分析<a>标签,然后取到它的href属性的值。下面是代码:
#-*- encoding: gb2312 -*-import HTMLParserclass MyParser(HTMLParser.HTMLParser): def __init__(self): HTMLParser.HTMLParser.__init__(self) def handle_starttag(self, tag, attrs): # 这里重新定义了处理开始标签的函数 if tag == 'a': # 判断标签<a>的属性 for name,value in attrs: if name == 'href': print value if __name__ == '__main__': a = '<html><head><title>test</title><body><a href="http://www.163.com">链接到163</a></body></html>' my = MyParser() # 传入要分析的数据,是html的。 my.feed(a)
下面给出的例子抽取了html中的所有链接:
from HTMLParser import HTMLParser class MyHTMLParser(HTMLParser): def __init__(self): HTMLParser.__init__(self) self.links = [] def handle_starttag(self, tag, attrs): #print "Encountered the beginning of a %s tag" % tag if tag == "a": if len(attrs) == 0: pass else: for (variable, value) in attrs: if variable == "href": self.links.append(value) if __name__ == "__main__": html_code = """ <a href="www.google.com"> google.com</a> <A Href="www.pythonclub.org"> PythonClub </a> <A HREF = "www.sina.com.cn"> Sina </a> """ hp = MyHTMLParser() hp.feed(html_code) hp.close() print(hp.links)
输出为:
['www.google.com', 'www.pythonclub.org', 'www.sina.com.cn']
如果想抽取图形链接
<img src='http://www.google.com/intl/zh-CN_ALL/images/logo.gif' />
就要重定义 handle_startendtag( tag, attrs) 函数
详见官方文档:http://docs.python.org/2/library/htmlparser.html
官网例子:
from HTMLParser import HTMLParserfrom htmlentitydefs import name2codepointclass MyHTMLParser(HTMLParser): def handle_starttag(self, tag, attrs): print "Start tag:", tag for attr in attrs: print " attr:", attr def handle_endtag(self, tag): print "End tag :", tag def handle_data(self, data): print "Data :", data def handle_comment(self, data): print "Comment :", data def handle_entityref(self, name): c = unichr(name2codepoint[name]) print "Named ent:", c def handle_charref(self, name): if name.startswith('x'): c = unichr(int(name[1:], 16)) else: c = unichr(int(name)) print "Num ent :", c def handle_decl(self, data): print "Decl :", dataparser = MyHTMLParser()
还可参考http://www.cnblogs.com/rollenholt/archive/2011/12/01/2271058.html 源码
转自:http://blog.csdn.net/zhaoweikid/article/details/1649997
- python模块之HTMLParser
- python模块之HTMLParser
- python模块之HTMLParser
- python内置HTMLParser模块
- python模块之HTMLParser: 解析html,获取url
- python模块之HTMLParser: 解析html,获取url
- python模块之HTMLParser: 解析html,获取url
- python模块之HTMLParser: 解析html,获取url
- Python API 翻译-HTMLParser模块
- Python API 翻译-HTMLParser模块
- Python之HTMLParser
- python之htmlParser入门教程
- python爬虫之HTMLParser
- python 模块-使用HTMLParser 解析html
- python HTMLParser
- python模块学习---HTMLParser(解析HTML文档元素)
- python模块学习---HTMLParser(解析HTML文档元素)
- python模块学习---HTMLParser(解析HTML文档元素)
- 实例解析linux内核I2C体系结构(1)
- iOS 程序打包
- JSch:纯JAVA实现远程执行SSH2主机的SHELL命令
- NSUserDefaults的应用和特点
- Source_Insight3_中文显示修正及键盘困扰
- python模块之HTMLParser
- C++编译时引起Lnk2005错误的几种情况与解决办法
- myeclipse 快捷键,从方法开始的大括号定位到匹配方法结束的大括号
- IOS横屏竖屏问题---2
- 处理器、CPU、核的区别
- 【Robotium】关于Log打印
- 手机横版动作类游戏的开发思路
- 全新奔驰S500L 豪华车市场的“大佬”
- apache rewrite