python模块之HTMLParser: 解析html,获取url

最新推荐文章于 2025-11-26 15:40:52 发布

最新推荐文章于 2025-11-26 15:40:52 发布 · 85 阅读

文章标签：

本文介绍如何使用Python的HTMLParser模块解析HTML文档并提取URL。通过重写处理开始标签的方法，可以有效地抓取<a>标签内的href属性，实现网页链接的抓取。

python模块之HTMLParser: 解析html,获取url 
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)