Java321技术网
标题: Python爬虫常用之HtmlParser [打印本页]
作者: greenss 时间: 2017-6-16 01:35
标题: Python爬虫常用之HtmlParser
HtmlParser,顾名思义,是解析Html的一个工具。python自带的。
一、常用属性和方法介绍
HtmlParser是一个类,在使用时一般继承它然后重载它的方法,来达到解析出需要的数据的目的。
1.常用属性:
lasttag,保存上一个解析的标签名,是字符串。
2.常用方法:
handle_starttag(tag, attrs) ,处理开始标签,比如<div>;这里的attrs获取到的是属性列表,属性以元组的方式展示
handle_endtag(tag) ,处理结束标签,比如</div>
handle_startendtag(tag, attrs) ,处理自己结束的标签,如<img />
handle_data(data) ,处理数据,标签之间的文本
handle_comment(data) ,处理注释,<!-- -->之间的文本
二、基本使用
不多说,上代码
- from html.parser import HTMLParser
- class MyHTMLParser(HTMLParser):
- def handle_starttag(self, tag, attrs):
- """
- recognize start tag, like <div>
- :param tag:
- :param attrs:
- :return:
- """
- print("Encountered a start tag:", tag)
- def handle_endtag(self, tag):
- """
- recognize end tag, like </div>
- :param tag:
- :return:
- """
- print("Encountered an end tag :", tag)
- def handle_data(self, data):
- """
- recognize data, html content string
- :param data:
- :return:
- """
- print("Encountered some data :", data)
- def handle_startendtag(self, tag, attrs):
- """
- recognize tag that without endtag, like <img />
- :param tag:
- :param attrs:
- :return:
- """
- print("Encountered startendtag :", tag)
- def handle_comment(self,data):
- """
- :param data:
- :return:
- """
- print("Encountered comment :", data)
- parser = MyHTMLParser()
- parser.feed('<html><head><title>Test</title></head>'
- '<body><h1>Parse me!</h1><img src = "" />'
- '<!-- comment --></body></html>')
复制代码
以上是根据python手册写的基本使用,解析了一个简单的html。可以运行看看,主要用于了解各个函数负责解析的部分,以及解析顺序。
三、实用案例
以下的实用案例均在上面的代码中修改对应函数,每个实例都是单独的。
解析的html如下:
- <html>
- <head>
- <title>Test</title>
- </head>
- <body>
- <h1>Parse me!</h1>
- <img src = "" />
- <p>A paragraph.</p>
- <p class = "p_font">A paragraph with class.</p>
- <!-- comment -->
- <div>
- <p>A paragraph in div.</p>
- </div>
- </body>
- </html>
-
复制代码 1.获取属性的函数,是个静态函数,新增的。直接定义在类中,返回属性名对应的属性
- def _attr(attrlist, attrname):
- for attr in attrlist:
- if attr[0] == attrname:
- return attr[1]
- return None
复制代码2.获取所有p标签的文本,最简单方法只修改handle_data
- def handle_data(self, data):
- if self.lasttag == 'p':
- print("Encountered p data :", data)
复制代码3.获取css样式(class)为p_font的p标签的文本,使用了案例1,增加一个实例属性作为标志,选取需要的标签
- def __init__(self):
- HTMLParser.__init__(self)
- self.flag = False
- def handle_starttag(self, tag, attrs):
- if tag == 'p' and _attr(attrs, 'class') == 'p_font':
- self.flag = True
-
- def handle_data(self, data):
- if self.flag == True:
- print("Encountered p data :", data)
复制代码4.获取p标签的属性列表
- def handle_starttag(self, tag, attrs):
- if tag == 'p':
- print("Encountered p attrs :", attrs)
复制代码5.获取p标签的class属性
- def handle_starttag(self, tag, attrs):
- if tag == 'p' and _attr(attrs, 'class'):
- print("Encountered p class :", _attr(attrs, 'class'))
复制代码6.获取div下的p标签的文本
- def __init__(self):
- HTMLParser.__init__(self)
- self.in_div = False
- def handle_starttag(self, tag, attrs):
- if tag == 'div':
- self.in_div = True
-
- def handle_data(self, data):
- if self.in_div == True and self.lasttag == 'p':
- print("Encountered p data :", data)
复制代码7.处理注释中的标签,若需要的数据在注释中,使用一般函数解析不到
处理方法为,写两个类,继承HTMLParser。在其中一个类的handle_comment里实例化解析类,和其他标签一样解析
这里的MyHTMLParser可以为基本使用中的MyHTMLParser,或者按需重写。
- class CommentHTMLParser(HTMLParser):
- def __init__(self):
- HTMLParser.__init__(self)
-
- def handle_comment(self,data):
- cparser = MyHTMLParser()
- cparser.feed(data)
- 复制代码
复制代码
欢迎光临 Java321技术网 (https://java321.com/) |
Powered by Discuz! X3.3 |