zoukankan      html  css  js  c++  java
  • #小练习 SGMLParser 解析 HTML 分类: HTMLParser 2013-11-12 15:52 472人阅读 评论(0) 收藏

    #coding:utf-8
    from sgmllib import SGMLParser
    class GetIdList(SGMLParser):
    
        def reset(self):
            self.IDlist=[]
            self.flag=False
            self.getdata=False
            self.verbatim = 0
            SGMLParser.reset(self)
    
        def start_div(self,attrs):
            if self.flag==True:
                self.verbatim+=1 #进入子层div了,层数+1
            for k,v in attrs:
                if k=="class" and v=="entry-content":#确定进入了<div class='entry-content'>
                    self.flag=True
    
        def end_div(self):#遇到</div>
            if self.verbatim==0:
                self.flag=False
            if self.flag==True:#退出子层div了,层数减 1
                self.verbatim-=1
    
    
        def start_p(self,attrs):
            if self.flag==False:
                return
            self.getdata=True
    
        def end_p(self):#遇到</p>
            if self.getdata:
                self.getdata=False
    
        def handle_data(self,text):#处理文本
            if self.getdata:
                self.IDlist.append(text)
        def printID(self):
            for i in self.IDlist:
                print i.decode("utf-8")
    
    
    if __name__ == '__main__':
    
        the_page ='''<html>
        <head>
        <title>test</title>
        </head>
        <body>
        <h1>title</h1>
        <div class='entry-content'>
    
        <p>感兴趣内容1</p>
        <p>感兴趣内容2</p>
        ……
        <p>感兴趣内容n</p>
        <div class='entry-content'>我是来捣乱的2<div class= 'ooxx'>我是来捣乱的3</div></div>
        </div>
        <div class='content'>
        <p>内容1</p>
        <p>内容2</p>
        ……
        <p>内容n</p>
        </div>
        </body>
        </html>
        '''
        gid=GetIdList()
        gid.feed(the_page)
        gid.printID()
        gid.close()


    结果:

    感兴趣内容1
    感兴趣内容2
    感兴趣内容n

  • 相关阅读:
    ASPX属性菜单ASTreeView
    MD5 encryption(Hash Algorithm)
    Asp.net的身份验证
    log4net使用
    脚本正则表达式
    C#操作注册表
    利用JQuery的.getJSON给Dropdownlist绑定Item
    查看mysql的端口号
    用SQL语句的方法还原数据库
    MYSQL 乱码 ERROR 1366
  • 原文地址:https://www.cnblogs.com/think1988/p/4628017.html
Copyright © 2011-2022 走看看