my2010Sam的专栏

#coding:utf-8 from HTMLParser import HTMLParser import pprint class myhtml(HTMLParser): def __init__(self): HTMLParser.__init__(self) self.d={} self.flag=None sel

练习目的：使用字典保存HTMLParser解析的数据 #coding:utf-8 from HTMLParser import HTMLParser class myhtmlParser(HTMLParser): def __init__(self): HTMLParser.__init__(self) #定义一个字典d，保存data与href的信息

#coding:utf-8 import MySQLdb import urllib2 import re import time import sys from HTMLParser import HTMLParser as hp ''' 1.获取 网易财经 页面内容 2.解析网页中链接、标题，放入一个列表中 3.如果已存在my163表，则先删除该表，否则再创建表my163，包括编号、链接地

对html的解析是网页抓取的基础，分析抓取的结果找到自己想要的内容或标签以达到抓取的目的。        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

from HTMLParser import HTMLParser class myHTMLParser(HTMLParser): def __init__(self): HTMLParser.__init__(self) self.links=[] def handle_starttag(self,tag,attrs): if t

其实python里面有xml.dom模块，但是这次却不能用，为啥呢？因为服务器传回的html从xml角度看不是良构的，没有闭合的标签、没有被注释掉的javascript和css，xml.dom没法处理，这个时候要用sgmllib。 sgmllib.py 包含一个重要的类: SGMLParser。SGMLParser 将 HTML 分解成有用的片段， 比如开始标记和结束标记。一旦它成功地分解出某个

#获取链接 #coding:utf-8 from sgmllib import SGMLParser class urlparser(SGMLParser): def reset(self): self.result=[] SGMLParser.reset(self) def start_a(self,attrs): #学习此

SGMLParser 将 HTML 分解成有用的片段， 比如开始标记和结束标记。一旦它成功地分解出某个数据为一个有用的片段，它会根据 所发现的数据，调用一个自身内部的方法。为了使用这个分析器，您需要子类化 SGML- Parser类，并且覆盖这些方法。 SGMLParser类里面包含了很多内部方法，开始读取html后，遇到相应的数据就会调用其对应的方法，最重要的方法有三个： start_t

http://www.open-open.com/lib/view/1329700631343 python提供了SGMLParser类用于html文件的解析。用户只需从SGMLParser类继承子类，并在子类中对html文件做具体处理。 例如 具有如下结构的html文件 感兴趣内容1 感兴趣内容2 …… 感兴趣内容n 内容1 内容2 …… 内容n 我们尝试

#coding:utf-8 from sgmllib import SGMLParser class GetIdList(SGMLParser): def reset(self): self.IDlist=[] self.flag=False self.getdata=False self.verbatim = 0

#coding:utf-8 from sgmllib import SGMLParser ''' 目的：解析出字符串中下后面的文本内容。（注意字符串中的div含有嵌套的div） 基本的思路：     遇到 设置标记flag = True     遇到后 设置标记flag = False     当flag 为True时遇到 设置标记getdata = True     遇到