第一个解析HTML文件的Python程序

    用HTMLParser模块解析HTML文件,一般要定义一个子类HTMLParser.HTMLParser,并添加用来处理不同标签的函数,这个程序用来提取标题title

myTile.html

<html>
  <head>
    <title>my first html analyze program</title>
  </head>
  
  <body>
    this is my text
  </body>
  
</html> 

下面使用python写的html文件解析代码
#-*-coding:utf-8-*-
from HTMLParser import HTMLParser
import sys

class TitleParser(HTMLParser):
    def __init__(self):
        self.title = ''
        self.readingtitle = 0
        HTMLParser.__init__(self)
        
    def handle_starttag(self, tag, attrs):
        if tag == 'title':
            self.readingtitle = 1
            
    def handle_data(self, data):
        if self.readingtitle:
            self.title += data
            
    def handle_endtag(self, tag):
        if tag == 'title':
            self.readingtitle = 0
            
    def gettitle(self):
        return self.title

#fd = open('D:/study/practice/python/NetworkProgramming/analyzeHTML/a.html')
fileHandle = open('./a.html')
titleParser = TitleParser()
titleParser.feed(fileHandle.read())
print "title is :", titleParser.gettitle()

显示的输出结果

title is : my first html analyze program

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 首先,需要安装Python语言环境,并且安装相关的第三方库,比如requests、BeautifulSoup等,然后,编代码,使用requests库发送网页请求,获取百度网站的HTML源码,然后,使用BeautifulSoup解析HTML源码,获取需要的数据,最后,将抓取的数据保存到本地。 ### 回答2: 编一个用于爬取百度网站的Python程序相对简单,可以使用第三方库requests和BeautifulSoup来实现。以下是一个示例程序,用于爬取百度首页的标题和部分链接: ```python import requests from bs4 import BeautifulSoup def spider_baidu(): url = "https://www.baidu.com" response = requests.get(url) response.encoding = response.apparent_encoding # 设置编码类型,防止乱码 soup = BeautifulSoup(response.text, "html.parser") # 获取网页标题 title = soup.title.string print("网页标题:", title) # 获取部分链接 links = soup.find_all("a") print("部分链接:") for link in links: print(link.get("href")) if __name__ == "__main__": spider_baidu() ``` 在这个程序中,首先使用requests库发送一个HTTP请求获取百度网站的HTML内容,然后使用BeautifulSoup库对HTML内容进行解析。我们可以使用BeautifulSoup提供的API来获取网页标题和链接,然后进行输出。 需要注意的是,在编爬取程序时,需要尊重网站的隐私政策和使用条款,遵循网络爬虫的规范和合法性原则。请勿滥用爬虫程序,以免对网站服务器造成不必要的负担。 ### 回答3: 编一个Python程序来爬取百度网站的内容主要涉及以下几个步骤: 1. 导入所需的库和模块:在Python程序中,我们首先要导入所需的库和模块,例如`requests`库用于发送HTTP请求,`beautifulsoup4`库用于解析HTML页面等。 2. 发送HTTP请求获取网页内容:使用`requests`库发送一个GET请求,获取百度网站的HTML页面内容。例如,使用`requests.get()`方法发送一个HTTP GET请求来获取百度的首页内容。 3. 解析HTML页面内容:使用`beautifulsoup4`库通过解析HTML页面的标记和结构来提取所需的数据。首先,将获取的网页内容传递给`BeautifulSoup`对象,并指定解析器(例如`html.parser`)。然后,可以使用`BeautifulSoup`对象的各种方法和属性来进行元素查找和提取。 4. 提取所需的数据:根据需要,通过使用`BeautifulSoup`对象的方法和属性,从页面内容中提取所需的数据。例如,如果要提取百度首页的标题,可以使用`BeautifulSoup`对象的`find()`方法来查找HTML中的`<title>`标签,然后使用`text`属性获取其文本内容。 5. 处理和保存数据:根据需要,可以对提取的数据进行处理和保存。例如,可以将提取的数据保存到文本文件或将其打印到控制台。 6. 异常处理:在编网络爬虫时,还应添加适当的异常处理机制,以处理网络连接、页面解析等可能出现的异常情况。 7. 执行程序:最后,调用主函数或逻辑来执行程序。可以添加相应的控制结构,以便按需爬取和处理多个页面。 综上所述,编一个Python程序来爬取百度网站,是一个逐步实现上述步骤和操作的过程。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值