python提取html文件中的内容_python提取html当中的信息

import

urllib2

from

sgmllib

import

SGMLParser

class

ListName(SGMLParser):

def

__init__

(

self

):

SGMLParser.

__init__

(

self

)

self

.is_h4

=

""

self

.name

=

[]

def

start_h4(

self

,

attrs):

self

.is_h4

=

1

def

end_h4(

self

):

self

.is_h4

=

""

def

handle_data(

self

,

text):

if

self

.is_h4

==

1

:

self

.name.append(text)

content

=

urllib2

.urlopen(

'http://list.taobao.com/browse/cat-0.htm'

).read()

listname

=

ListName()

listname.feed(content)

for

item

in

listname.name:

print

item.decode(

'gbk'

).encode(

'utf8'

)

很简单，这里定义了一个叫做

ListName

的类，继承

SGMLParser

里面的方法。使用一个

变量

is_h4

做标记判定

html

文件中的

h4

标签，

如果遇到

h4

标签，

则将标签内的内容加

入到

List

变量

name

中。解释一下

start_h4()

和

end_h4()

函数，他们原型是

SGMLParser

中的

start_

tagname

(self, attrs)

end_

tagname

(self)

tagname

就是标签名称，比如当遇到

，就会调用

start_pre

，遇到

，就会

调用

end_pre

。

attrs

为标签的参数，以

[(attribute, value), (attribute,

value), ...]

的形式传回。

输出：

虚拟票务

数码市场

家电市场

女装市场

男装市场

童装童鞋