举例实现HTMLParser解析HTML

python

对于我们用Python实现的爬虫首要任务可以分为两个步骤,第一步是用爬虫把目标网站的页面抓下来,第二步就是解析该HTML页面,看看里面的内容到底是新闻、图片还是视频。

假设第一步已经完成了,第二步应该如何解析HTML呢?

HTML本质上是XML的子集,但是HTML的语法没有XML那么严格,所以不能用标准的DOM或SAX来解析HTML。

好在Python提供了HTMLParser来非常方便地解析HTML,只需简单几行代码:

from HTMLParser import HTMLParser

from htmlentitydefs import name2codepoint

 

class MyHTMLParser(HTMLParser):

 

  def handle_starttag(self, tag, attrs):

    print('<%s>' % tag)

 

  def handle_endtag(self, tag):

    print('<!--%s-->' % tag)

 

  def handle_startendtag(self, tag, attrs):

    print('<%s/>' % tag)

 

  def handle_data(self, data):

    print('data')

 

  def handle_comment(self, data):

    print('<!-- -->')

 

  def handle_entityref(self, name):

    print('&%s;' % name)

 

  def handle_charref(self, name):

    print('&#%s;' % name)

 

parser = MyHTMLParser()

parser.feed('<p>Some <a href=""#"">html</a> tutorial...<br>END</p>')

feed()方法可以多次调用,也就是不一定一次把整个HTML字符串都塞进去,可以一部分一部分塞进去。

特殊字符有两种,一种是英文表示的 ,一种是数字表示的Ӓ,这两种字符都可以通过Parser解析出来。

小结

找一个网页,例如https://www.python.org/events/python-events/,用浏览器查看源码并复制,然后尝试解析一下HTML,输出Python官网发布的会议时间、名称和地点。

以上是 举例实现HTMLParser解析HTML 的全部内容, 来源链接: utcz.com/z/523376.html

回到顶部