HtmlParser,顾名思义,是解析Html的一个工具。python自带的。
一、常用属性和方法介绍
HtmlParser是一个类,在使用时一般继承它然后重载它的方法,来达到解析出需要的数据的目的。
1.常用属性:
lasttag,保存上一个解析的标签名,是字符串。
2.常用方法:
handle_starttag(tag, attrs) ,处理开始标签,比如
handle_endtag(tag) ,处理结束标签,比如
handle_startendtag(tag, attrs) ,处理自己结束的标签,如
handle_data(data) ,处理数据,标签之间的文本
handle_comment(data) ,处理注释,之间的文本
二、基本使用
不多说,上代码
from html.parser importHTMLParserclassMyHTMLParser(HTMLParser):defhandle_starttag(self, tag, attrs):"""recognize start tag, like
:param tag:
:param attrs:
:return:"""
print("Encountered a start tag:", tag)defhandle_endtag(self, tag):"""recognize end tag, like
:param tag:
:return:"""
print("Encountered an end tag :", tag)defhandle_data(self, data):"""recognize data, html content string
:param data:
:return:"""
print("Encountered some data :", data)defhandle_startendtag(self, tag, attrs):"""recognize tag that without endtag, like
:param tag:
:param attrs:
:return:"""
print("Encountered startendtag :", tag)defhandle_comment(self,data):""":param data:
:return:"""
print("Encountered comment :", data)
parser=MyHTMLParser()
parser.feed('
Test''
Parse me!
'')
以上是根据python手册写的基本使用,解析了一个简单的html。可以运行看看,主要用于了解各个函数负责解析的部分,以及解析顺序。
三、实用案例
以下的实用案例均在上面的代码中修改对应函数,每个实例都是单独的。
解析的html如下:
TestParse me!
A paragraph.
A paragraph with class.
A paragraph in div.
1.获取属性的函数,是个静态函数,新增的。直接定义在类中,返回属性名对应的属性
def_attr(attrlist, attrname):for attr inattrlist:if attr[0] ==attrname:return attr[1]return None
2.获取所有p标签的文本,最简单方法只修改handle_data
defhandle_data(self, data):if self.lasttag == 'p':print("Encountered p data :", data)
3.获取css样式(class)为p_font的p标签的文本,使用了案例1,增加一个实例属性作为标志,选取需要的标签
def __init__(self):
HTMLParser.__init__(self)
self.flag=Falsedefhandle_starttag(self, tag, attrs):if tag == 'p' and _attr(attrs, 'class') == 'p_font':
self.flag=Truedefhandle_data(self, data):if self.flag ==True:print("Encountered p data :", data)
4.获取p标签的属性列表
defhandle_starttag(self, tag, attrs):if tag == 'p':print("Encountered p attrs :", attrs)
5.获取p标签的class属性
defhandle_starttag(self, tag, attrs):if tag == 'p' and _attr(attrs, 'class'):print("Encountered p class :", _attr(attrs, 'class'))
6.获取div下的p标签的文本
def __init__(self):
HTMLParser.__init__(self)
self.in_div=Falsedefhandle_starttag(self, tag, attrs):if tag == 'div':
self.in_div=Truedefhandle_data(self, data):if self.in_div == True and self.lasttag == 'p':print("Encountered p data :", data)
7.处理注释中的标签,若需要的数据在注释中,使用一般函数解析不到
处理方法为,写两个类,继承HTMLParser。在其中一个类的handle_comment里实例化解析类,和其他标签一样解析
这里的MyHTMLParser可以为基本使用中的MyHTMLParser,或者按需重写。
classCommentHTMLParser(HTMLParser):def __init__(self):
HTMLParser.__init__(self)defhandle_comment(self,data):
cparser=MyHTMLParser()
cparser.feed(data)