zoukankan      html  css  js  c++  java
  • python模块之HTMLParser: 解析html,获取url

    转载自:http://blog.csdn.net/zhaoweikid/archive/2007/06/13/1649997.aspx 

    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 &nbsp;
    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
        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 HTMLParser

    class 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)
        
        
  • 相关阅读:
    小试阿里云容器服务
    .NET跨平台:再见dnx,你好dotnet cli
    使用Let's Encrypt手动创建https证书
    Chrome以https访问gitlab的问题:Your connection is not private
    [ASP.NET 5]终于解决:Unable to load DLL 'api-ms-win-core-localization-obsolete-l1-2-0.dll'
    Mac上远程桌面连接Windows Server 2012 R2
    解决JSON.stringify()在IE10下无法使用的问题
    解决阿里云SLB无法添加https证书的问题
    “状态机”学习笔记
    HttpClient读取ASP.NET Web API错误信息的简单方法
  • 原文地址:https://www.cnblogs.com/sislcb/p/1342002.html
Copyright © 2011-2022 走看看