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
HTMLParser
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_starttag(tag, attrs)
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
HTMLParser
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:
原来的文件
======================== < 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。 |
利用Python抓取和解析网页(5)
最新推荐文章于 2024-07-30 21:09:58 发布
中国互联网络资讯网提示: 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