Python html.parser库学习小结

sunren

分类路径：/Datazen/DataMining/Crawler/



前段时间，一朋友让我做个小脚本，抓一下某C2C商城上竞争对手的销售/价格数据，好让他可以实时调整自己的营销策略。自己之前也有过写爬虫抓某宝数据的经历，实现的问题不大，于是就答应了。初步想法是利用pyhton中的urllib.request和re两个lib（本文示例用的是Pyhton 3.4 ，2.x的请自行切换），外加上其他的统计分析功能的话，最多两个晚上（白天要工作）可以搞定。实际上做的过程中，遇到了两个主要困难：

（1）电商网站对于交易数据的保护很好。小爬虫动不动就会被ban掉或者采用一些其他的保护措施使得其无法正常采集所需的数据，需要添加额外的代码处理各种虐心的情况；

（2）正则表达式实在是难写，而且很复杂和很难维护。于是自己也思考有没有其他的解决方案——本文就是对其中一解决方案的初步介绍。



一开始想到的当然是著名的第三方库Beautifulsoup（作为一个广东男人，我习惯把它称为”靓汤“）。这个库很强大，但正因为它强大，需要一点学习时间而我需要快点上手，于是只好日后再学（到时再写一篇Beautifulsoup学习总结）。权衡以后，最后目光转向了Python Standard Library中的html.parser。



html.parser是一个非常简单和实用的库，它的核心是HTMLParser类。从源码来看，它内部封装了一系列regular expression。工作的流程是：当你feed给它一个类似HTML格式的字符串时，它会调用goahead方法向前迭代各个标签，并调用对应的parse_xxxx方法提取start_tag, tag, attrs data comment和end_tag等等标签信息和数据，然后调用对应的方法对这些抽取出来的内容进行处理。整个HTMLParser的大致结构如下图所示：









可以发现，处理开始标签（handle_starttag）、结束标签(handle_endtag）和处理数据（handle_data）等处理函数在HTMLParser里是没有实现的（pass），这需要我们继承HTMLParser这个类的并覆盖这些方法。详细可以参阅python文档，这里重点介绍几个常用的方法：

• feed(data)：主要用于接受带html标签的str，当调用这个方法时并提供相应的data时，整个实例（instance）开始执行，结束执行close()。
  
• handle_starttag(tag, attrs): 这个方法接收Parse_starttag返回的tag和attrs，并进行处理，处理方式通常由使用者进行覆盖，本身为空。例如，连接的start tag是<a>，那么对应的参数tag＝’a’（小写)。attrs是start tag <>中的属性，以元组形式（name, value）返回（所有这些内容都是小写）。例如，对于<A HREF="http://www.baidu.com“>，那么内部调用形式为：handle_starttag（’a’,[(‘href’,’http://www.baidu.com)]）.
  
• handle_endtag(tag)：跟上述一样，只是处理的是结束标签，也就是以</开头的标签。
  
• handle_data(data)：处理的是网页的数据，也就是开始标签和结束标签之间的内容。例如：<script>...</script>的省略号内容
  
• reset()：将实例重置，包括作为参数输入的数据进行清空。
  

举个例子吧。例如我们有以下一堆带HTML标签的数据，



<h3 class="tb-main-title" data-title="【金冠现货/全色/顶配版】Xiaomi/小米 小米note移动联通4G手机">

     【金冠现货/全色/顶配版】Xiaomi/小米 小米note移动联通4G手机
   </h3>
   <p class="tb-subtitle">
【购机即送布丁套+高清贴膜+线控耳机+剪卡器+电影支架等等,套餐更多豪礼更优惠】    【购机即送布丁套+高清贴膜+线控耳机+剪卡器+电影支架等等,套餐更多豪礼更优惠】    【金冠信誉+顺丰包邮+全国联保---多重保障】
</p>
   <div id="J_TEditItem" class="tb-editor-menu"></div>

</div>

<h3 class="tb-main-title" data-title="【现货增强/标准】MIUI/小米 红米手机2红米2移动联通电信4G双卡">
     【现货增强/标准】MIUI/小米 红米手机2红米2移动联通电信4G双卡
   </h3>
   <p class="tb-subtitle">
[红米手机2代颜色版本较多,请亲们阅读购买说明按需选购---感谢光临] 【金皇冠信誉小米手机集市销量第一】【购买套餐送高清钢化膜+线控通话耳机+ 剪卡器(含还原卡托)+ 防辐射贴+专用高清贴膜+ 擦机布+ 耳机绕线器+手机电影支架+ 一年延保服务+ 默认享受顺丰包邮 !
</p>
   <div id="J_TEditItem" class="tb-editor-menu"></div>

</div>



很明显，这里面包含了两台手机，我们的目标是提取两个手机的名字出来。



由于当我们feed这个html到HTMLParser中后，他们所有的标签都迭代，如果需要它只提取我们需要的数据时，我们需要设置当handle_starttag遇到那个标签和属性时，才调用handle_data并print出我们的结果，这个时候我们可以使用一个flg作为判定，代码如下：






#定义一个MyParser继承自HTMLParser
class MyParser(HTMLParser):
re=[]#放置结果
flg=0#标志，用以标记是否找到我们需要的标签
def handle_starttag(self, tag, attrs):
if tag=='h3':#目标标签
for attr in attrs:
if attr[0]=='class' and attr[1]=='tb-main-title':#目标标签具有的属性
self.flg=1#符合条件则将标志设置为1
break
else:
pass
def handle_data(self, data):
if self.flg==1:
self.re.append(data.strip())#如果标志为我们需要的标志，则将数据添加到列表中
self.flg=0#重置标志，进行下次迭代
else:
pass

my=MyParser()
my.feed(html)




运行结果如下，达到了我们的预期：









上面只是HTMLParser一个非常简单的应用，但却可以反应了HTMLParser这个类的一些特质。有了这些基本的认识后，我们就可以将相关功能进行扩展，从而形成一个标准的爬虫了。下次，我们将利用相关的知识，构建一个基本的网络爬虫，敬请期待哦。



--------------------------------------------------

本文为作者原创文章，转摘请注明出处：@Datazen