Python學習筆記__12.11章 HTML Parser
HTML本質上是XML的子集,但是HTML的語法沒有XML那麽嚴格,所以不能用標準的DOM或SAX來解析HTML。
Python提供了HTMLParser來非常方便地解析HTML。而且,HTMLParse類裏的函數名是不能改的
from html.parser import HTMLParser
from html.entities import name2codepoint
class MyHTMLParser(HTMLParser):
# 處理開始標簽,比如<div>;這裏的attrs獲取到的是屬性列表,屬性以元組的方式展示
# <time datetime="2018">,
def handle_starttag(self, tag, attrs):
print('<%s>' % tag)
def handle_endtag(self, tag): # 處理結束標簽,比如</div>
print('</%s>' % tag)
def handle_startendtag(self, tag, attrs): # 處理自己結束的標簽,如<img />
print('<%s/>' % tag)
def handle_data(self, data): #處理數據,標簽之間的文本
print(data)
def handle_comment(self, data): # 打印註釋
print('<!--', data, '-->')
def handle_entityref(self, name): # 打印<body>中,沒有被標簽圈起來的內容 HTML tutorial...
print('&%s;' % name)
def handle_charref(self, name): # 打印特殊符號 --》 ?
print('&#%s;' % name)
parser = MyHTMLParser()
# feed(str),為解釋器提供文本。
parser.feed('''<html>
<head></head>
<body>
<!-- test html parser -->
<p>Some <a href=\"#\">html</a> HTML tutorial...<br>END</p>
</body></html>''')
2、擴展文檔
Python爬蟲常用之HtmlParser (https://www.cnblogs.com/masako/p/5868367.html)
3、例子
1、找一個網頁,例如https://www.python.org/events/python-events/,用瀏覽器查看源碼並復制,然後嘗試解析一下HTML,輸出Python官網發布的會議時間、名稱和地點。
方法一:來源於廖雪峰老師網站“v魯魯修圍脖 ”提交的作業
from html.parser import HTMLParser
from html.entities import name2codepoint
from urllib import request
import re
class MyHTMLParser(HTMLParser):
a_t1 = False # 用於匹配狀態的判斷
a_t2 = False
a_t3 = False
def __init__(self): # 初始化實例
HTMLParser.__init__(self)
self.information = []
self.information_all = {}
def handle_starttag(self, tag, attrs): # attrs是list['list']的存儲方式
def _attr(attrlist, attrname): # 接受的參數都是 attrs,和‘class’
for attr in attrlist: # attrs 是[[],[]]類的,那attr就是裏面的list
if attr[0] == attrname: #如果匹配,返回attr[1]
return attr[1]
return None
if tag=="time" : # 如果條件對上了,修改匹配狀態為True
self.a_t1 = True
elif tag=="span" and _attr(attrs, 'class')=="event-location":
self.a_t2 = True
elif tag=="h3" and _attr(attrs, 'class')=="event-title":
self.a_t3 = True
def handle_data(self, data):
if self.a_t1 is True:
if re.match(r'^\s\d{4}', data): # 取data數據
self.information.append(dict(year=data))
else:
self.information.append(dict(day=data))
elif self.a_t2 is True:
self.information.append(dict(event_location=data)) 取地址數據
elif self.a_t3 is True:
self.information.append(dict(event_title=data)) # 取標題數據
def handle_endtag(self, tag): # 將匹配狀態重置,為後續繼續檢索做準備
if tag == "time":
self.a_t1 = False
elif tag =="span":
self.a_t2 = False
elif tag == "h3":
self.a_t3 = False
def parseHTML(html_str):
parser = MyHTMLParser()
parser.feed(html_str) #接受HTML並解析
for i, val in enumerate(parser.information): #enumerate將list變為索引-元素對。遍歷打印value
i += 1
print(val)
if i%4==0:
print('--------------------------------------------')
URL = 'https://www.python.org/events/python-events/'
with request.urlopen(URL, timeout=4) as f: # 收集頁面信息
data = f.read()
parseHTML(data.decode('utf-8')) #將收到的信息解碼,並傳給parseHTML()調用
方法二:來源於廖雪峰老師網站“葉藏桑 ”提交的作業
from html.parser import HTMLParser
from urllib import request
import re
class MyHTMLParser(HTMLParser):
flag = 0
res = []
is_get_data = 0
def handle_starttag(self, tag, attrs):
# 首先找到包裹事件的元素
if tag == 'ul':
for attr in attrs:
if re.match(r'list-recent-events', attr[1]):
self.flag = 1
# 處理包裹事件名稱的a元素
if tag == 'a' and self.flag == 1:
self.is_get_data = 'title'
# 處理時間的time元素
if tag == 'time' and self.flag == 1:
self.is_get_data = 'time'
# 處理包裹地點的time元素
if tag == 'span' and self.flag == 1:
self.is_get_data = 'addr'
def handle_endtag(self, tag):
if self.flag == 1 and tag == 'ul':
self.flag = 0
def handle_data(self, data):
if self.is_get_data and self.flag == 1:
if self.is_get_data == 'title':
#獲得title,即會議名時,給res添加一個新dict:res 由[] 變為 [{'title':'PyCascades 2018'}],此時len(self.res)==1
self.res.append({self.is_get_data: data})
else:
# 獲得addr,time這樣的其它屬性時,相當於res[0][time]=data。
# 這是將time=data鍵值對加到了此前的那個字典裏,現在len(self.res)依然==1
self.res[len(self.res) - 1][self.is_get_data] = data
self.is_get_data = None
parser = MyHTMLParser()
with request.urlopen('https://www.python.org/events/python-events/') as f:
data = f.read().decode('utf-8')
parser.feed(data)
for item in MyHTMLParser.res:
print('---------------')
for k,v in item.items():
print("%s : %s" % (k,v))
Python學習筆記__12.11章 HTML Parser