对搜索引擎、文件索引、文档转换、数据检索、站点备份或迁移等应用程序来说，经常用到对网页(即HTML文件)的解析处理。事实上，通过 Python语言提供的各种模块，我们无需借助Web服务器或者Web浏览器就能够解析和处理HTML文档。本文上篇中，我们介绍了一个可以帮助简化打开 位于本地和Web上的HTML文档的Python模块。在本文中，我们将论述如何使用Python模块来迅速解析在HTML文件中的数据，从而处理特定的 内容，如链接、图像和Cookie等。同时还会介绍如何规范HTML文件的格式标签。
一、从HTML文档中提取链接
Python语言还有一个非常有用的模块HTMLParser，该模块使我们能够根据HTML文档中的标签来简洁、高效地解析HTML文档。所以，在处理HTML文档的时候，HTMLParser是最常用的模块之一。
import urllib
class parseLinks(HTMLParser.HTMLParser):
def handle_starttag(self, tag, attrs):
if tag == ' a ' :
for name,value in attrs:
if name == ' href ' :
print value
print self.get_starttag_text()
lParser = parseLinks()
lParser.feed(urllib.urlopen( " http://www.python.org/index.html " ).read())
处理HTML文档的时候，我们常常需要从其中提取出所有的链接。使用HTMLParser模块后，这项任务将变得易如反掌。首先，我们需要定义 一个新的HTMLParser类，以覆盖handle_starttag()方法，我们将使用这个方法来显示所有标签的HRef属性值。
定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。然后，就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。
为了解析HTML文件的内容并显示包含其中的链接，可以使用read()函数将数据传递给HTMLParser对象。HTMLParser对象 的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。需要注意，如果传给HTMLParser的feed()函数的数 据不完整的话，那么不完整的标签会保存下来，并在下一次调用feed()函数时进行解析。当HTML文件很大，需要分段发送给解析器的时候，这个功能就会 有用武之地了。下面是一个具体的例子
import urllib
import sys
# 定义HTML解析器
class parseLinks(HTMLParser.HTMLParser):
def handle_starttag(self, tag, attrs):
if tag == ' a ' :
for name,value in attrs:
if name == ' href ' :
print value
print self.get_starttag_text()
# 创建HTML解析器的实例
lParser = parseLinks()
# 打开HTML文件
lParser.feed(urllib.urlopen( /
" http://www.python.org/index.html " ).read())
lParser.close()
上述代码的运行结果太长，在此省略，您可以自己运行代码试试。
二、从HTML文档中提取图像
处理HTML文档的时候，我们常常需要从其中提取出所有的图像。使用HTMLParser模块后，这项任务将变得易如反掌。首先，我们需要定义 一个新的HTMLParser类，以覆盖handle_starttag()方法，该方法的作用是查找img标签，并保存src属性值所指的文件。
import urllib
def getImage(addr):
u = urllib.urlopen(addr)
data = u.read()
class parseImages(HTMLParser.HTMLParser):
def handle_starttag(self, tag, attrs):
if tag == ' img ' :
for name,value in attrs:
if name == ' src ' :
getImage(urlString + " / " + value)
u = urllib.urlopen(urlString)
lParser.feed(u.read())
定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。然后，就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。
为了解析HTML文件的内容并显示包含其中的图像，可以使用feed(data)函数将数据发送至HTMLParser对象。HTMLParser对象的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。下面是一个具体的示例：
import urllib
import sys
urlString = " http://www.python.org "
# 把图像文件保存至硬盘
def getImage(addr):
u = urllib.urlopen(addr)
data = u.read()
splitPath = addr.split( ' / ' )
fName = splitPath.pop()
print " Saving %s " % fName
f = open(fName, ' wb ' )
f.write(data)
f.close()
# 定义HTML解析器
class parseImages(HTMLParser.HTMLParser):
def handle_starttag(self, tag, attrs):
if tag == ' img ' :
for name,value in attrs:
if name == ' src ' :
getImage(urlString + " / " + value)
# 创建HTML解析器的实例
lParser = parseImages()
# 打开HTML文件
u = urllib.urlopen(urlString)
print " Opening URL/n==================== "
print u.info()
# 把HTML文件传给解析器
lParser.feed(u.read())
lParser.close()
上述代码的运行结果如下所示：
====================
Date: Fri, 26 Jun 2009 10 : 54 : 49 GMT
Server: Apache / 2.2 . 9 (Debian) DAV / 2 SVN / 1.5 . 1 mod_ssl / 2.2 . 9 OpenSSL / 0.9 .8g mod_wsgi / 2.3 Python / 2.5 . 2
Last - Modified: Thu, 25 Jun 2009 0 9 : 44 : 54 GMT
ETag: " 105800d-46e7-46d29136f7180 "
Accept - Ranges: bytes
Content - Length: 18151
Connection: close
Content - Type: text / html
Saving python - logo.gif
Saving trans.gif
Saving trans.gif
Saving afnic.fr.png
三、从HTML文档中提取文本
处理HTML文档的时候，我们常常需要从其中提取出所有的文本。使用HTMLParser模块后，这项任务将变得非常简单了。首先，我们需要定义一个新的HTMLParser类，以覆盖handle_data()方法，该方法是用来解析并文本数据的。
import urllib
class parseText(HTMLParser.HTMLParser):
def handle_data(self, data):
if data != ' /n ' :
urlText.append(data)
lParser = parseText()
lParser.feed(urllib.urlopen( /
http: // docs.python.org / lib / module - HTMLParser.html).read())
定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。然后，就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。
为了解析HTML文件的内容并显示包含其中的文本，我们可以使用feed(data)函数将数据传递给HTMLParser对象。 HTMLParser对象的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。要注意的是，如果传给 HTMLParser的feed()函数的数据不完整的话，那么不完整的标签会保存下来，并在下一次调用feed()函数时进行解析。当HTML文件很 大，需要分段发送给解析器的时候，这个功能就会有用武之地了。下面是一个具体的代码示例：
import urllib
urlText = []
# 定义HTML解析器
class parseText(HTMLParser.HTMLParser):
def handle_data(self, data):
if data != ' /n ' :
urlText.append(data)
# 创建HTML解析器的实例
lParser = parseText()
# 把HTML文件传给解析器
lParser.feed(urllib.urlopen( /
“http: // docs.python.org / lib / module - HTMLParser.html” /
).read())
lParser.close()
for item in urlText:
print item
上面代码的运行输出过长，在此略过
四、从HTML文档中提取Cookies
很多时候，我们都需要处理Cookie，幸运的是Python语言的cookielib模块为我们提供了许多自动处理在HTML中的HTTP Cookie的类。当处理要求为客户端设置Cookie的HTML文档的时候，这些类对我们非常有用。
import cookielib
from urllib2 import urlopen, Request
cJar = cookielib.LWPCookieJar()
opener = urllib2.build_opener( /
urllib2.HTTPCookieProcessor(cJar))
urllib2.install_opener(opener)
r = Request(testURL)
h = urlopen(r)
for ind, cookie in enumerate(cJar):
print " %d - %s " % (ind, cookie)
cJar.save(cookieFile)
为了从HTML文档提取cookies，首先得使用cookielib模块的LWPCookieJar()函数创建一个cookie jar的实例。LWPCookieJar()函数将返回一个对象，该对象可以从硬盘加载Cookie，同时还能向硬盘存放Cookie。
接下来，使用urllib2模块的build_opener([handler, . . .])函数创建一个opener对象，当HTML文件打开时该对象将处理cookies。函数build_opener可以接收零个或多个处理程序(这些 程序将按照它们被指定的顺序连接在一起)作为参数并返回一个。
注意，如果想让urlopen()使用opener对象来打开HTML文件的话，可以调用install_opener(opener)函数，并将opener对象传给它。否则，请使用opener对象的open(url)函数来打开HTML文件。
一旦已经创建并安装了opener对象，就可以使用urllib2模块中的Request(url)函数来创建一个Request对象，然后就能使用urlopen(Request)函数来打开HTML文件了。
打开HTML页面后，该页面的所有Cookie将被存放到LWPCookieJar对象中，之后，您可以使用LWPCookieJar对象的save(filename)函数了。
import urllib2
import cookielib
from urllib2 import urlopen, Request
cookieFile = " cookies.dat "
testURL = ' http://maps.google.com/ '
# 为cookie jar 创建实例
cJar = cookielib.LWPCookieJar()
# 创建HTTPCookieProcessor的opener对象
opener = urllib2.build_opener( /
urllib2.HTTPCookieProcessor(cJar))
# 安装HTTPCookieProcessor的opener
urllib2.install_opener(opener)
# 创建一个Request对象
r = Request(testURL)
# 打开HTML文件
h = urlopen(r)
print " 页面的头部/n====================== "
print h.info()
print " 页面的Cookies/n====================== "
for ind, cookie in enumerate(cJar):
print " %d - %s " % (ind, cookie)
# 保存cookies
cJar.save(cookieFile)
上述代码的运行结果如下所示：
======================
Cache - Control: private
Content - Type: text / html; charset = ISO - 8859 - 1
Set - Cookie: PREF = ID = 5d9692b55f029733:NW = 1 :TM = 1246015608 :LM = 1246015608 :S = frfx -- b3xt73TaEA; expires = Sun, 26 - Jun - 2011 11 : 26 : 48 GMT; path =/ ; domain = .google.com
Date: Fri, 26 Jun 2009 11 : 26 : 48 GMT
Server: mfe
Expires: Fri, 26 Jun 2009 11 : 26 : 48 GMT
Transfer - Encoding: chunked
Connection: close
页面的Cookies
======================
0 -
五、为HTML文档中的属性值添加引号
前面我们讨论了如果根据HTML解析器中的某种处理程序来解析HTML文件，可是有时候我们却需要使用所有的处理程序来处理HTML文档。值得庆幸的是，使用HTMLParser模块解析HTML文件的所有要素并不比处理链接或者图像难多少。
import urllib
class parseAttrs(HTMLParser.HTMLParser):
def handle_starttag(self, tag, attrs):
. . .
attrParser = parseAttrs()
attrParser.init_parser()
attrParser.feed(urllib.urlopen( " test2.html " ).read())
这里，我们将讨论如何使用HTMLParser模块来解析HTML文件，从而为“裸奔”的属性值加上引号。首先，我们要定义一个新的HTMLParser类，以覆盖下面所有的处理程序来为属性值添加引号。
handle_charref(name)
handle_endtag(tag)
handle_entityref(ref)
handle_data(text)
handle_comment(text)
handle_pi(text)
handle_decl(text)
handle_startendtag(tag, attrs)
我们还需要在parser类中定义一个函数来初始化用于存储解析好的数据的变量，同时还要定义另外一个函数来返回解析好的数据。
定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。使用我们创建的init函数初始化该解析器，这样，我们就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。
为了解析HTML文件的内容并给属性值添加引号，可以使用feed(data)函数将数据传递给HTMLParser对象。HTMLParser对象的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。下面是一个具体的示例代码：
import urllib
import sys
# 定义HTML解析器
class parseAttrs(HTMLParser.HTMLParser):
def init_parser (self):
self.pieces = []
def handle_starttag(self, tag, attrs):
fixedAttrs = ""
# for name,value in attrs:
for name, value in attrs:
fixedAttrs += " %s=/"%s/" " % (name, value)
self.pieces.append( " <%s %s> " % (tag, fixedAttrs))
def handle_charref(self, name):
self.pieces.append( " &#%s; " % (name))
def handle_endtag(self, tag):
self.pieces.append( "" % (tag))
def handle_entityref(self, ref):
self.pieces.append( " &%s " % (ref))
def handle_data(self, text):
self.pieces.append(text)
def handle_comment(self, text):
self.pieces.append( "" % (text))
def handle_pi(self, text):
self.pieces.append( "" % (text))
def handle_decl(self, text):
self.pieces.append( "" % (text))
def parsed (self):
return "" .join(self.pieces)
# 创建HTML解析器的实例
attrParser = parseAttrs()
# 初始化解析器数据
attrParser.init_parser()
# 把HTML文件传给解析器
attrParser.feed(urllib.urlopen( " test2.html " ).read())
# 显示原来的文件内容
print " 原来的文件/n======================== "
print open( " test2.html " ).read()
# 显示解析后的文件
print " 解析后的文件/n======================== "
print attrParser.parsed()
attrParser.close()
我们还需要建立一个测试文件，名为test2.html，该文件内容可以从上述代码的运行结果看到，具体如下所示：
========================
< html >
< head >
< meta content = " text/html; charset=utf-8 "
http - equiv = " content-type " />
< title > Web页面 </ title >
</ head >
< body >
< H1 > Web页面清单 </ H1 >
< a href = http: // www.python.org > Python网站 </ a >
< a href = test.html > 本地页面 </ a >
< img SRC = test.jpg >
</ body >
</ html >
解析后的文件
========================
< html >
< head >
< meta content = " text/html; charset=utf-8 "
http - equiv = " content-type " ></ meta >
< title > Web页面 </ title >
</ head >
< body >
< h1 > Web页面清单 </ h1 >
< a href = " http://www.python.org " > Python网站 </ a >
< a href = " test.html " > 本地页面 </ a >
< img src = " test.jpg " >
</ body >
</ html >
六、小结
对搜索引擎、文件索引、文档转换、数据检索、站点备份或迁移等应用程序来说，经常用到对网页(即HTML文件)的解析处理。事实上，通过 Python语言提供的各种模块，我们无需借助Web服务器或者Web浏览器就能够解析和处理HTML文档。本文将详细介绍了如何使用Python模块来 迅速解析在HTML文件中的数据，从而处理特定的内容，如链接、图像和Cookie等。同时，我们还给出了一个规范HTML文件的格式标签的例子，希望本 文对您会有所帮助。
733
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
