python模块之HTMLParser: 解析html,获取url

swingfly

浏览: 53582 次
性别:
来自: 成都

最近访客更多访客>>

aaa8825121

XueHangTian

litzhiai

yly936

博主相关

博客

微博

相册

留言

关于我

文章分类

社区版块

存档分类

博客分类：

python

HTML Python

HTMLParser是python用来解析html的模块。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handler_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handler_开头的函数即可。这几个函数包括：
handle_startendtag 处理开始标签和结束标签
handle_starttag     处理开始标签，比如<xx>
handle_endtag       处理结束标签，比如</xx>
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
handle_entityref    处理一些特殊字符，以&开头的，比如  
handle_data         处理数据，就是<xx>data</xx>中间的那些数据
handle_comment      处理注释
handle_decl         处理<!开头的，比如<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
handle_pi           处理形如<?instruction>的东西
    这里我以从网页中获取到url为例，介绍一下。要想获取到url，肯定是要分析<a>标签，然后取到它的href属性的值。下面是代码：

# -*- encoding: gb2312 -*-
import HTMLParser

class MyParser(HTMLParser.HTMLParser):
     def __init__ (self):
        HTMLParser.HTMLParser. __init__ (self)

     def handle_starttag(self, tag, attrs):
         # 这里重新定义了处理开始标签的函数
         if tag == ' a ' :
             # 判断标签<a>的属性
             for name,value in attrs:
                 if name == ' href ' :
                     print value


if __name__ == ' __main__ ' :
    a = ' <html><head><title>test</title><body><a href="http: //www.163.com">链接到163</a></body></html> '

    my = MyParser()
     # 传入要分析的数据，是html的。
    my.feed(a)

分享到：

SQL ALTER TABLE 语句 | Python中的异常处理

2009-01-15 14:34
浏览 2683
评论(0)
查看更多

发表评论

您还没有登录,请您登录后再发表评论

最近访客更多访客>>

博主相关

文章分类

社区版块

存档分类

最新评论