Python之HTML的解析（网页抓取一）
http://blog.csdn.net/my2010sam/article/details/14526223---------------------
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
view plaincopyhttp://onexin.iyunv.com/source/plugin/onexin_bigdata/https://code.csdn.net/assets/CODE_ico.pnghttp://onexin.iyunv.com/source/plugin/onexin_bigdata/https://code.csdn.net/assets/ico_fork.svg
[*]<span style="font-size:18px;">#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</span>
2. 解析html的超链接和链接显示的内容
view plaincopyhttp://onexin.iyunv.com/source/plugin/onexin_bigdata/https://code.csdn.net/assets/CODE_ico.pnghttp://onexin.iyunv.com/source/plugin/onexin_bigdata/https://code.csdn.net/assets/ico_fork.svg
[*]<span style="font-size:18px;">#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</span>
或：
view plaincopyhttp://onexin.iyunv.com/source/plugin/onexin_bigdata/https://code.csdn.net/assets/CODE_ico.pnghttp://onexin.iyunv.com/source/plugin/onexin_bigdata/https://code.csdn.net/assets/ico_fork.svg
[*]<span style="font-size:18px;">#coding:utf-8
[*]
[*]fromHTMLParser 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</span>
[*]
页:
[1]