Python HTML解析模块HTMLParser用法分析【爬虫工具】

Python  /  管理员 发布于 7年前   193

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 HTMLParserfrom urllib import requestclass 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))        returnif __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())

更多关于Python相关内容可查看本站专题：《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。


  • 上一条：
    Python HTML解析器BeautifulSoup用法实例详解【爬虫解析器】
    下一条：
    Python爬虫实现爬取百度百科词条功能实例

    • 昵称：

    邮箱：

    0条评论 (评论内容有缓存机制,请悉知!)
    Top

    Copyright·© 2019 侯体宗版权所有· 粤ICP备20027696号 PHP交流群

    侯体宗的博客