HTML.parser和正则解析,Python HTML解析模块HTMLParser用法分析【爬虫工具】

本文实例讲述了Python HTML解析模块HTMLParser用法。分享给大家供大家参考，具体如下：

简介

先简略介绍一下。实际上，HTMLParser是python用来解析HTML的内置模块。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。它主要的用户回调函数的命名都是以"handle_"开头的，都是HTMLParser的成员函数。当我们使用时，就从HTMLParser派生出新的类，然后重新定义这几个以"handle_"开头的函数即可。这几个函数包括：

(1)handle_startendtag  　　处理开始标签和结束标签(即单标签)

(2)handle_starttag     　　   处理开始标签，比如

(3)handle_endtag       　　  处理结束标签，比如

(4)handle_charref      　　   处理特殊字符串，就是以开头的，一般是内码表示的字符

(5)handle_entityref   　　   处理一些特殊字符，以&开头的，比如

(6)handle_data         　　   处理数据，就是data中间的那些数据

(7)handle_comment          处理注释

(8)handle_decl         　　    处理

(9)handle_pi           　　      处理形如<?instruction>的东西

实例

OK，废话少说，直接上手，来一个简单的爬虫实例——抓取贴吧图片。

from html.parser import HTMLParser

from urllib import request

class MyHTMLParser(HTMLParser): # 创建HTML解析类

def __init__(self):

HTMLParser.__init__(self)

self.gifs_urls = [] # 创建列表，保存gif

self.jpgs_urls = [] # 创建列表，保存jpg

# 重写HTMLParser中的内置方法

def handle_starttag(self, tags, attrs): # 处理起始标记

if tags == 'img': # 处理图片

for attr in attrs:

for t in attr:

if 'gif' in t and 'https' in t:

self.gifs_urls.append(t) # 添加到gif列表

elif 'jpg' in t and 'https' in t:

self.jpgs_urls.append(t) # 添加到jpg列表

else:

pass

# 自定义的方法

def get_gifs(self): # 返回gif列表

return self.gifs_urls

def get_jpgs(self): # 返回jpg列表

return self.jpgs_urls

# 自定义的方法，获取页面

def getHTML(self,url):

req=request.Request(url,method='GET')

html=request.urlopen(req,timeout=30)

return html.read()

# 自定义的方法，批量下载图片

def downImgs(self,img_urls,n=10,path='Image/'):

count=1

for url in img_urls:

request.urlretrieve(url=url,filename='{0}{1}{2}'.format(path,count,'.jpg'))

count=count+1

if count == n + 1:

print('共下载%d张图片' %(n))

return

if __name__ == '__main__':

Url = 'http://tieba.baidu.com/p/2256306796'

HtmlParser=MyHTMLParser()

Html=HtmlParser.getHTML(Url)

# print(Html)

HtmlParser.feed(str(Html)) #开始解析HTML，自动调用HTMLParser中的内置方法

HtmlParser.downImgs(HtmlParser.get_jpgs())

希望本文所述对大家Python程序设计有所帮助。