最后工作需要到处理html的数据的问题,然后使用HTMLParser,网上找了很多资料都是千篇一律的。
在这里记录下自己的成果,希望对你有用。
1。首先还是让我们来了解一下HTMLParser.
python模块之HTMLParser: 解析html,获取url HTMLParser是python用来解析html的模块。
它可以分析出html里面的标签、数据等等,是一种处理html的简便途径。 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,
handle_endtag 处理结束标签,
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data中间的那些数据 handle_comment 处理注释 ,
handle_decl 处理<!开头的,
比如的东西 这里我以从网页中获取到url为例,介绍一下。要想获取到url,肯定是要分析标签,然后取到它的href属性的值。
MyHTMLParser.py
前调用代码:start.py
以一代码就是定义的一个我们一个自己的HTML处理类。这代码也是官方上的。其中测试链接,只做测试使用,不负法律责任
2.如果我们想要提取一段HTML里面的文本数据怎么办呢
首先我们应该要使用handle_data 处理数据。但它又是随机文本,所以我们要在handle_starttag 遇到这个标记的时候,做个标记,然后
在handle_data 中遇到此标记时,把数据传出来。
比如我们需要获取title的文本值,那么我们的代码如下
其它节点取文本就类似了
下面是我工作中用到的一段脚本: