Python抓取和解析网页

http://blog.sina.com.cn/s/blog_82fc65ea0101a2zq.html

对搜索引擎、文件索引、文档转换、数据检索、站点备份或迁移等应用程序来说，经常用到对网页(即HTML文件)的解析处理。事实上，通过Python语言提供的各种模块，我们无需借助Web服务器或者Web浏览器就能够解析和处理HTML文档。本文上篇中，我们介绍了一个可以帮助简化打开位于本地和Web上的HTML文档的Python模块。在本文中，我们将论述如何使用Python模块来迅速解析在HTML文件中的数据，从而处理特定的内容，如链接、图像和Cookie等。同时还会介绍如何规范HTML文件的格式标签。

　　一、(1)从HTML文档中提取链接

　　Python语言还有一个非常有用的模块HTMLParser，该模块使我们能够根据HTML文档中的标签来简洁、高效地解析HTML文档。所以，在处理HTML文档的时候，HTMLParser是最常用的模块之一。

import HTMLParser

import urllib

import sys

url ="https://bug.oraclecorp.com/"

classparseLinks(HTMLParser.HTMLParser):

def handle_starttag(self,tag, attrs):

if tag == 'a':

for name,value inattrs:

if name == 'href':

print value

printself.get_starttag_text()

lParser =parseLinks()

lParser.feed(urllib.urlopen(url).read())

         (2)从网页中提取文本

import HTMLParser

import urllib

import sys

url = "https://bug.oraclecorp.com/"

urlText = []

class parseText(HTMLParser.HTMLParser):

def handle_data(self, data):

if data != '\n':

urlText.append(data)

lParser = parseText()

lParser.feed(urllib.urlopen(url).read())

lParser.close()

fp = open("/home/zhou/web text.txt","w")

for item in urlText:

print item

fp.write(item)

fp.close()

（3）将网页保存下来

urlText = urllib.urlopen(url)

content = urlText.read()

fp = open("/home/zhou/web.html","w")

fp.write(content)

fp.close()

　二、从HTML文档中提取图像

　　处理HTML文档的时候，我们常常需要从其中提取出所有的图像。使用HTMLParser模块后，这项任务将变得易如反掌。首先，我们需要定义一个新的HTMLParser类，以覆盖handle_starttag()方法，该方法的作用是查找img标签，并保存src属性值所指的文件。

　　import HTMLParser

　　import urllib

　　def getImage(addr):

　　u = urllib.urlopen(addr)

　　data = u.read()

　　class parseImages(HTMLParser.HTMLParser):

　　def handle_starttag(self,tag, attrs):

　　if tag == 'img':

　　for name,value in attrs:

　　if name == 'src':

　　getImage(urlString + "/" + value)

　　u = urllib.urlopen(urlString)

　　lParser.feed(u.read())

　　定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。然后，就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。

　　为了解析HTML文件的内容并显示包含其中的图像，可以使用feed(data)函数将数据发送至HTMLParser对象。HTMLParser对象的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。下面是一个具体的示例：

　　import HTMLParser

　　import urllib

　　import sys

　　urlString = "http://www.python.org"

　　#把图像文件保存至硬盘

　　def getImage(addr):

　　u = urllib.urlopen(addr)

　　data = u.read()

　　splitPath = addr.split('/')

　　fName = splitPath.pop()

　　print "Saving%s" % fName

　　f = open(fName, 'wb')

　　f.write(data)

　　f.close()

　　#定义HTML解析器

　　class parseImages(HTMLParser.HTMLParser):

　　def handle_starttag(self,tag, attrs):

　　if tag == 'img':

　　for name,value in attrs:

　　if name == 'src':

　　getImage(urlString + "/" + value)

　　#创建HTML解析器的实例

　　lParser = parseImages()

　　#打开HTML文件

　　u = urllib.urlopen(urlString)

　　print "OpeningURL\n===================="

　　print u.info()

　　#把HTML文件传给解析器

　　lParser.feed(u.read())

　　lParser.close()

　　上述代码的运行结果如下所示：

　　Opening URL

　　====================

　　Date: Fri, 26 Jun 2009 10:54:49 GMT

　　Server: Apache/2.2.9 (Debian)DAV/2 SVN/1.5.1 mod_ssl/2.2.9 OpenSSL/0.9.8gmod_wsgi/2.3 Python/2.5.2

　　Last-Modified:Thu, 25 Jun 2009 09:44:54 GMT

　　ETag: "105800d-46e7-46d29136f7180"

　　Accept-Ranges: bytes

　　Content-Length: 18151

　　Connection: close

　　Content-Type: text/html

　　Saving python-logo.gif

　　Saving trans.gif

　　Saving trans.gif

　　Saving afnic.fr.png

 　三、从HTML文档中提取文本

　　处理HTML文档的时候，我们常常需要从其中提取出所有的文本。使用HTMLParser模块后，这项任务将变得非常简单了。首先，我们需要定义一个新的HTMLParser类，以覆盖handle_data()方法，该方法是用来解析并文本数据的。

　　import HTMLParser

　　import urllib

　　class parseText(HTMLParser.HTMLParser):

　　def handle_data(self,data):

　　if data != '\n':

　　urlText.append(data)

　　lParser = parseText()

　　lParser.feed(urllib.urlopen( \

　　http://docs.python.org/lib/module-HTMLParser.html).read())

　　定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。然后，就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。

　　为了解析HTML文件的内容并显示包含其中的文本，我们可以使用feed(data)函数将数据传递给HTMLParser对象。HTMLParser对象的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。要注意的是，如果传给HTMLParser的feed()函数的数据不完整的话，那么不完整的标签会保存下来，并在下一次调用feed()函数时进行解析。当HTML文件很大，需要分段发送给解析器的时候，这个功能就会有用武之地了。下面是一个具体的代码示例：

　　import HTMLParser

　　import urllib

　　urlText = []

　　#定义HTML解析器

　　class parseText(HTMLParser.HTMLParser):

　　def handle_data(self,data):

　　if data != '\n':

　　urlText.append(data)

　　#创建HTML解析器的实例

　　lParser = parseText()

　　#把HTML文件传给解析器

　　lParser.feed(urllib.urlopen( \

　　“http://docs.python.org/lib/module-HTMLParser.html” \

　　).read())

　　lParser.close()

　　for item in urlText:

　　print item

　　上面代码的运行输出过长，在此略过

 

四、从HTML文档中提取Cookies

　　很多时候，我们都需要处理Cookie，幸运的是Python语言的cookielib模块为我们提供了许多自动处理在HTML中的HTTPCookie的类。当处理要求为客户端设置Cookie的HTML文档的时候，这些类对我们非常有用。

　　import urllib2

　　import cookielib

　　from urllib2 import urlopen,Request

　　cJar = cookielib.LWPCookieJar()

　　opener=urllib2.build_opener( \

　　urllib2.HTTPCookieProcessor(cJar))

　　urllib2.install_opener(opener)

　　r = Request(testURL)

　　h = urlopen(r)

　　for ind,cookie in enumerate(cJar):

　　print "%d- %s" % (ind,cookie)

　　cJar.save(cookieFile)

　　为了从HTML文档提取cookies，首先得使用cookielib模块的LWPCookieJar()函数创建一个cookiejar的实例。LWPCookieJar()函数将返回一个对象，该对象可以从硬盘加载Cookie，同时还能向硬盘存放Cookie。

　　接下来，使用urllib2模块的build_opener([handler, . ..])函数创建一个opener对象，当HTML文件打开时该对象将处理cookies。函数build_opener可以接收零个或多个处理程序(这些程序将按照它们被指定的顺序连接在一起)作为参数并返回一个。

　　注意，如果想让urlopen()使用opener对象来打开HTML文件的话，可以调用install_opener(opener)函数，并将opener对象传给它。否则，请使用opener对象的open(url)函数来打开HTML文件。

　　一旦已经创建并安装了opener对象，就可以使用urllib2模块中的Request(url)函数来创建一个Request对象，然后就能使用urlopen(Request)函数来打开HTML文件了。

　　打开HTML页面后，该页面的所有Cookie将被存放到LWPCookieJar对象中，之后，您可以使用LWPCookieJar对象的save(filename)函数了。

　　import os

　　import urllib2

　　import cookielib

　　from urllib2 import urlopen,Request

　　cookieFile = "cookies.dat"

　　testURL = 'http://maps.google.com/'

　　#为cookiejar 创建实例

　　cJar = cookielib.LWPCookieJar()

　　#创建HTTPCookieProcessor的opener对象

　　opener = urllib2.build_opener(\

　　urllib2.HTTPCookieProcessor(cJar))

　　#安装HTTPCookieProcessor的opener

　　urllib2.install_opener(opener)

　　#创建一个Request对象

　　r = Request(testURL)

　　#打开HTML文件

　　h = urlopen(r)

　　print "页面的头部\n======================"

　　print h.info()

　　print "页面的Cookies\n======================"

　　for ind,cookie in enumerate(cJar):

　　print "%d- %s" % (ind,cookie)

　　#保存cookies

　　cJar.save(cookieFile)

　　上述代码的运行结果如下所示：

　　页面的头部

　　======================

　　Cache-Control: private

　　Content-Type: text/html; charset=ISO-8859-1

　　Set-Cookie: PREF=ID=5d9692b55f029733:NW=1:TM=1246015608:LM=1246015608:S=frfx--b3xt73TaEA; expires=Sun, 26-Jun-2011 11:26:48 GMT;path=/; domain=.google.com

　　Date: Fri, 26 Jun 2009 11:26:48 GMT

　　Server: mfe

　　Expires: Fri, 26 Jun 2009 11:26:48 GMT

　　Transfer-Encoding: chunked

　　Connection: close

　　页面的Cookies

　　======================

　　0 -