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<xx>
(3)handle_endtag 处理结束标签,比如</xx>
(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<xx>data</xx>中间的那些数据
(7)handle_comment 处理注释
(8)handle_decl 处理<!开头的,比如<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
(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。
本文Python HTML解析模块HTMLParser用法分析【爬虫工具】到此结束。别放弃,为你所爱的而奋斗。小编再次感谢大家对我们的支持!