抓取了网页之后，对HTML的解析，常用的是：SGMLParser、HTMLParser、BeautifulSoup。。
1>用urllib2/sgmllib包，将目标网页的所有URL列出
import urllib2
from sgmllib import SGMLParser #SGMLParser,其作用相当于一个解析器.解析HTML的开始与结束标记.
class URLLister(SGMLParser):#对各片段进行处理的类 URLLister
def reset(self):
SGMLParser.reset(self)
self.urls = []
def start_a(self, attrs):
href = [v for k, v in attrs if k=='href']
if href:
self.urls.extend(href)
f = urllib2.urlopen("http://www.baidu.com/")
if f.code == 200:
parser = URLLister()
parser.feed(f.read())#把HTML文件传给解析器
f.close()
for url in parser.urls:
print url
2> HTMLParser是Python自带的模块，使用简单，能够很容易的实现HTML文件的分析。
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
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
抽取了html中的所有链接：
from HTMLParser import HTMLParser
class MyHTMLParser(HTMLParser):
def __init__(self):
HTMLParser.__init__(self)
self.links = []
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
if len(attrs) == 0: pass
else:
for (variable, value) in attrs:
if variable == "href":
self.links.append(value)
if __name__ == "__main__":
html_code = """
<a href = "www.google.com"> google.com</a>
<A Href = "www.pythonclub.org"> PythonClub </a>
<A HREF = "www.sina.com.cn"> Sina </a>
"""
hp = MyHTMLParser()
hp.feed(html_code)
hp.close()
print(hp.links)
450
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
