用python解析html

最新推荐文章于 2022-07-03 22:04:32 发布

最新推荐文章于 2022-07-03 22:04:32 发布 · 109 阅读

文章标签：

用python解析html 
rurutia posted @ 2007年5月13日 10:07 in 编程笔记 with tags python html sgml , 23943 阅读 
因为要用python做学校网络的认证程序，需要解析服务器传回的html，本以为会像javascript里操作DOM那样简单，结果发现并不是这样，被搞了一下。 
其实python里面有xml.dom模块，但是这次却不能用，为啥呢？因为服务器传回的html从xml角度看不是良构的，没有闭合的标签、没有被注释掉的javascript和css，xml.dom没法处理，这个时候要用sgmllib。 
sgmllib.py 包含一个重要的类: SGMLParser。SGMLParser 将 HTML 分解成有用的片段，比如开始标记和结束标记。一旦它成功地分解出某个数据为一个有用的片段，它会根据所发现的数据，调用一个自身内部的方法。为了使用这个分析器，您需要子类化 SGML- Parser类，并且覆盖这些方法。 
SGMLParser类里面包含了很多内部方法，开始读取html后，遇到相应的数据就会调用其对应的方法，最重要的方法有三个： 
* start_tagname(self, attrs) 
* end_tagname(self) 
* handle_data(self, text) 
tagname就是标签名称，比如当遇到<pre>，就会调用start_pre，遇到</pre>，就会调用 end_pre，attrs即为标签的参数，以[(attribute, value), (attribute, value), ...]的形式传回，我们要做的就是在其子类重载自己感兴趣标签对应的函数。 
一个经典的例子： 
1. 
from sgmllib import SGMLParser 
2. 
class URLLister(SGMLParser): 
3. 
self.urls = [] 
4. 
def start_a(self, attrs): 
5. 
href = [v for k, v in attrs if k=='href'] 
6. 
if href: 
7. 
self.urls.extend(href) 
顾名思义，这个类的作用就是把html中的所有连接（<a>标签）中的地址（href属性的值）提取出来，放到一个list里面，很实用的功能。^^ 
比如处理下面的html： 
<tr> 
<td height="207" colspan="2" align="left" valign="top" class="normal"> 
Damien Rice - 《0》 
<a href="http://galeki.xy568.net/music/Delicate.mp3">1. Delicate</a> 
<a href="http://galeki.xy568.net/music/Volcano.mp3">2. Volcano</a> 
<a href="http://galeki.xy568.net/music/The Blower's Daughter.mp3">3. The Blower's Daughter</a> 
<a href="http://galeki.xy568.net/music/Cannonball.mp3">4. Cannonball </a> 
<a href="http://galeki.xy568.net/music/Older Chests.mp3">5. Order Chests</a> 
<a href="http://galeki.xy568.net/music/Amie.mp3">6. Amie</a> 
<a href="http://galeki.xy568.net/music/Cheers Darlin'.mp3">7. Cheers Darling</a> 
<a href="http://galeki.xy568.net/music/Cold Water.mp3">8. Cold water</a> 
<a href="http://galeki.xy568.net/music/I Remember.mp3">9. I remember</a> 
<a href="http://galeki.xy568.net/music/Eskimo.mp3">10. Eskimo</a> 
</td> 
</tr> 
很乱对吧？下面让举个例子利用URLLister提取出上面mp3下载的地址： 
1. 
date="上面那一堆…………" 
2. 
lister=URLLister() 
3. 
lister.feed(date) 
用feed()把要处理的html传递给对象实体，然后我们来看看处理结果： 
1. 
print lister.urls 
显示： 
['http://galeki.xy568.net/music/Delicate.mp3', 
'http://galeki.xy568.net/music/Volcano.mp3', 
"http://galeki.xy568.net/music/The Blower's Daughter.mp3", 
'http://galeki.xy568.net/music/Cannonball.mp3', 
'http://galeki.xy568.net/music/Older Chests.mp3', 
'http://galeki.xy568.net/music/Amie.mp3', 
"http://galeki.xy568.net/music/Cheers Darlin'.mp3", 
'http://galeki.xy568.net/music/Cold Water.mp3', 
'http://galeki.xy568.net/music/I Remember.mp3', 
'http://galeki.xy568.net/music/Eskimo.mp3'] 
好了，是不是很方便？现在我们知道了如何处理标签中的属性，那么如何处理标签包含的文字呢？就是上面列出的handle_data(self, text)，当遇到标签内的内容，就会调用这个函数，传入的text自然就是标签内的内容了，不过，如何筛选出感兴趣标签内的内容呢？比如上面歌曲的列表，这时候就要配合start_tagname、end_tagname，用做标记的方法来达到这个目的： 
1. 
class ListName(SGMLParser): 
2. 
is_a="" 
3. 
name=[] 
4. 
def start_a(self, attrs): 
5. 
self.is_a=1 
6. 
def end_a(self): 
7. 
self.is_a="" 
8. 
def handle_data(self, text): 
9. 
if self.is_a: 
10. 
self.name.append(text) 
这里添加了一个is_a标记，再在handle_date中添加一个if，也就是说，仅仅在a标签内，才会把标签里的内容加到name[]里去。 
看看结果： 
1. 
listname=ListName() 
2. 
listname.feed(date) 
3. 
print listname.name 
显示: 
['1.Delicate', '2.Volcano', "3.The Blower's Daughter", 
'4.Cannonball ', '5.Order Chests', '6.Amie', 
'7.Cheers Darling', '8.Cold water', '9.I remember', 
'10.Eskimo'] 
OK，搞定～ 
SGMLParser内置的方法不仅仅只有这三个，还有处理注释的handle_comment，还有处理声明的handle_decl等等等等，不过使用方法和上面的基本相同，不再多写了。