Python爬虫常用之HtmlParser
HtmlParser，顾名思义，是解析Html的一个工具。python自带的。
一、常用属性和方法介绍
HtmlParser是一个类，在使用时一般继承它然后重载它的方法，来达到解析出需要的数据的目的。
1.常用属性：
lasttag，保存上一个解析的标签名，是字符串。
2.常用方法：
handle_starttag(tag, attrs) ，处理开始标签，比如<div>；这里的attrs获取到的是属性列表，属性以元组的方式展示
handle_endtag(tag) ，处理结束标签,比如</div>
handle_startendtag(tag, attrs) ，处理自己结束的标签，如<img />
handle_data(data) ，处理数据，标签之间的文本
handle_comment(data) ，处理注释，<!-- -->之间的文本
二、基本使用
不多说，上代码
from html.parser import HTMLParser class MyHTMLParser(HTMLParser): def handle_starttag(self, tag, attrs): """ recognize start tag, like <div> :param tag: :param attrs: :return: """ print("Encountered a start tag:", tag) def handle_endtag(self, tag): """ recognize end tag, like </div> :param tag: :return: """ print("Encountered an end tag :", tag) def handle_data(self, data): """ recognize data, html content string :param data: :return: """ print("Encountered some data :", data) def handle_startendtag(self, tag, attrs): """ recognize tag that without endtag, like <img /> :param tag: :param attrs: :return: """ print("Encountered startendtag :", tag) def handle_comment(self,data): """ :param data: :return: """ print("Encountered comment :", data) parser = MyHTMLParser() parser.feed('<html><head><title>Test</title></head>' '<body><h1>Parse me!</h1><img src = "" />' '<!-- comment --></body></html>')
以上是根据python手册写的基本使用，解析了一个简单的html。可以运行看看，主要用于了解各个函数负责解析的部分，以及解析顺序。
三、实用案例
以下的实用案例均在上面的代码中修改对应函数，每个实例都是单独的。
解析的html如下：
<html> <head> <title>Test</title> </head> <body> <h1>Parse me!</h1> <img src = "" /> <p>A paragraph.</p> <p class = "p_font">A paragraph with class.</p> <!-- comment --> <div> <p>A paragraph in div.</p> </div> </body> </html>
1.获取属性的函数，是个静态函数，新增的。直接定义在类中，返回属性名对应的属性
def _attr(attrlist, attrname): for attr in attrlist: if attr[0] == attrname: return attr[1] return None
2.获取所有p标签的文本，最简单方法只修改handle_data
def handle_data(self, data): if self.lasttag == 'p': print("Encountered p data :", data)
3.获取css样式（class）为p_font的p标签的文本，使用了案例1，增加一个实例属性作为标志，选取需要的标签
def __init__(self): HTMLParser.__init__(self) self.flag = False def handle_starttag(self, tag, attrs): if tag == 'p' and _attr(attrs, 'class') == 'p_font': self.flag = True def handle_data(self, data): if self.flag == True: print("Encountered p data :", data)
4.获取p标签的属性列表
def handle_starttag(self, tag, attrs): if tag == 'p': print("Encountered p attrs :", attrs)
5.获取p标签的class属性
def handle_starttag(self, tag, attrs): if tag == 'p' and _attr(attrs, 'class'): print("Encountered p class :", _attr(attrs, 'class'))
6.获取div下的p标签的文本
def __init__(self): HTMLParser.__init__(self) self.in_div = False def handle_starttag(self, tag, attrs): if tag == 'div': self.in_div = True def handle_data(self, data): if self.in_div == True and self.lasttag == 'p': print("Encountered p data :", data)
7.处理注释中的标签，若需要的数据在注释中，使用一般函数解析不到
处理方法为，写两个类，继承HTMLParser。在其中一个类的handle_comment里实例化解析类，和其他标签一样解析
这里的MyHTMLParser可以为基本使用中的MyHTMLParser，或者按需重写。
class CommentHTMLParser(HTMLParser): def __init__(self): HTMLParser.__init__(self) def handle_comment(self,data): cparser = MyHTMLParser() cparser.feed(data)
