python3 解析html

最新推荐文章于 2025-05-08 06:16:52 发布

执着的雨

最新推荐文章于 2025-05-08 06:16:52 发布

阅读量3k

点赞数

CC 4.0 BY-SA版权

分类专栏： python

本文链接：https://blog.youkuaiyun.com/oopsangle/article/details/24580113

python 专栏收录该内容

13 篇文章

订阅专栏

本文详细解析了HTML模块html.parser.HTMLParser，并展示了如何通过创建自定义子类来实现对特定HTML标签的解析与处理。通过实例演示了如何筛选并处理目标标签，包括属性过滤与实体处理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

解析html模块 html.parser.HTMLParser

  a).要自己实现一个HTMLParser的子类对自己所需要的标签进行处理 

  class MyHTMLParser(HTMLParser): 

 
     def __init__(sefl): 

 
      
     HTMLParser.__init__(sefl): 

 
      
     //...自定义初始化方法，可以进行一些初始化 

 
     def handle_starttag(self,tag,attrs): 

 
      
     //... 

 
     def handle_endtag(self,tag): 

 
      
     //... 

 
     def handle_data(self,data): 

 
      
     //.... 

 
     def handle_entityref(self,name): 

 
      
     //处理实体 

class ParserHTML(HTMLParser):
"""
解析html页面
字典interestTag 对哪些标签进行解析 {"要查找的标签":{"根据属性再次过滤标签":"对应属性的值","MATCH_ATTR":"要得到的属性"}}
"""
def __init__(self,interestTag={}):
HTMLParser.__init__(self)
self.interestTag = interestTag
def handle_starttag(self, tag,attrs):
#处理标签 tag是标签 attrs是标签内的属性
if {} == self.interestTag:
print("return")
return
for targetTag,value in self.interestTag.items():
if tag == targetTag:
for targetTagAttrName,targetTagAttrValue in value.items():
if "MATCH_ATTR" != targetTagAttrName:
matchAttr = value.get("MATCH_ATTR","")
if "" == matchAttr:
raise RuntimeError("要匹配的属性不能为空")
for attr in attrs:
#attr包含属性的元组 (属性名,属性值)
if targetTagAttrName == attr[0] and targetTagAttrValue == attr[1]:
for tr in attrs:
if matchAttr == tr[0]:
#这里取得标签里指定属性的值
download4Urllib(tr[1],tr[1][tr[1].rfind('/')+1:],"G:/image")

测试：parser = ParserHTML({"img":{"class":"BDE_Image","MATCH_ATTR":"src"}})

parser.feed('<div id="post_content_48081892290" class="d_post_content j_d_post_content "> <img class="BDE_Image" id="img" src="http://imgsrc.baidu.com/forum/w%3D580/sign=c699c69638f33a879e6d0012f65d1018/4fd2c6faaf51f3dea72ffcc296eef01f3b29793f.jpg" pic_ext="jpeg" width="541" height="750" data-pinit="registered" style="cursor: url(http://tb2.bdstatic.com/tb/static-pb/img/cur_zin.cur), pointer;"></div>')