Python3.4网页解析之HTMLParse

墨蓝 2022-04-12 03:46 606阅读 0赞

使用python将网页抓取下来之后，下一步我们就应该解析网页，提取我们所需要的内容了，在python里提供了一个简单的解析模块HTMLParser类，使用起来也是比较简单的，解析语法没有用到XPath类似的简洁模式，但新手用起来还是比较容易的，看下面的例子：  
  
  
现在一个模拟的html文件：

需求是，提取出标题的属性值，以及内容：  
  
代码如下：

import html.parser as h
    
    
    class MyHTMLParser(h.HTMLParser):
        a_t=False
        def handle_starttag(self, tag, attrs):
            #print("开始一个标签:",tag)
            print()
            if str(tag).startswith("title"):
                print(tag)
                self.a_t=True
                for attr in attrs:
                    print("   属性值：",attr)
    
        def handle_endtag(self, tag):
            if tag == "title":
                self.a_t=False
                #print("结束一个标签:",tag)
    
        def handle_data(self, data):
            if self.a_t is True:
                print("得到的数据: ",data)
    
    
    p=MyHTMLParser()
    
    p.feed("<html> <title id='main' mouse='你好'>我是标题</title><body>我是内容</body>   </html>")
    
    p.close()

运行结果如下：

title
       属性值： ('id', 'main')
       属性值： ('mouse', '你好')
    得到的数据:  我是标题

主要的技术就是继承了HTMLParser类，然后重写了里面的一些方法，来完成自己的业务，从上面的代码里，发现如果想获取某个标签的内容，还是比较麻烦的，当然这是python里面最简单的html解析方式，还有很多其他组件，scrapy等等，里面支持Xpath路径解析，使用起来非常简洁清爽。  
  
  
解析代码学会之后，我们就可以将使用urllib包，抓取到的数据交给htmlparser解析，从而提取出我们所需要的内容。