2020-12-3 21:18:35
HTMLParser
如果我们要编写一个搜索引擎，第一步是用爬虫把目标网站的页面抓下来，第二步就是解析该HTML页面，看看里面的内容到底是新闻、图片还是视频。
假设第一步已经完成了，第二步应该如何解析HTML呢？
HTML本质上是XML的子集，但是HTML的语法没有XML那么严格，所以不能用标准的DOM或SAX来解析HTML。
好在Python提供了HTMLParser来非常方便地解析HTML，只需简单几行代码：（伪代码）
from HTMLParser import HTMLParser
from htmlentitydefs import name2codepoint
class MyHTMLParser(HTMLParser):
def handle_starttag(self, tag, attrs):
print('<%s>' % tag)
def handle_endtag(self, tag):
print('</%s>' % tag)
def handle_startendtag(self, tag, attrs):
print('<%s/>' % tag)
def handle_data(self, data):
print('data')
def handle_comment(self, data):
print('<!-- -->')
def handle_entityref(self, name):
print('&%s;' % name)
def handle_charref(self, name):
print('&#%s;' % name)
parser = MyHTMLParser()
parser.feed('<html><head></head><body><p>Some <a href=\"#\">html</a> tutorial...<br>END</p></body></html>')feed() 方法可以多次调用，也就是不一定一次把整个HTML字符串都塞进去，可以一部分一部分塞进去。
特殊字符有两种，一种是英文表示的 ，一种是数字表示的 Ӓ ，这两种字符都可以通过Parser解析出来。
找一个网页，例如https://www.python.org/events/pythonevents/，用浏览器查看源码并复制，然后尝试解析一下HTML，
输出Python官网发布的会议时间、名称和地点。# _*_ coding: gbk _*_
from HTMLParser import HTMLParser
from htmlentitydefs import name2codepoint
import os,string,urllib2
import ssl
# '''
# HTMLParser的成员函数:
#
# 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
#
# '''
class MyHTMLParser(HTMLParser):
def __init__(self):
HTMLParser.__init__(self)
self.flag=None
def handle_starttag(self, tag, attrs):
if tag == 'h3' and attrs.__contains__(('class', 'event-title')):
print '\n\n会议主题:',
self.flag=True #在需要打印的块中设置标识
elif tag == 'time':
print '\n会议时间:',
self.flag=True
elif tag == 'span' and attrs.__contains__(('class', 'event-location')):
print '\n会议地址:',
self.flag=True
def handle_endtag(self, tag):
if tag in('h3','time','span'):
self.flag=None
#print('</%s>' % tag)
def handle_startendtag(self, tag, attrs):
#print('<%s/>' % tag)
pass
def handle_data(self, data):
if self.flag: #判断是需要的值才打印
print('%s' % data), #末尾加逗号打印不换行
def handle_comment(self, data):
#print('<!-- -->')
pass
def handle_entityref(self, name):
if name == 'ndash':
print '至',
else:
pass
def handle_charref(self, name):
#print('&#%s;' % name)
pass
#f=open('python.html','r++')
#data=f.read()
#f.close()
ssl._create_default_https_context = ssl._create_unverified_context
pyhtml=urllib2.urlopen('https://www.python.org/events/python-events/').read()
parser = MyHTMLParser()
parser.feed(pyhtml)C:\Users\Administrator\Desktop>python html_parser.py
会议主题: PyDay Chile 2020
会议时间: 05 Dec. 2020
会议地址: Online (Chile)
会议主题: Pyjamas Conf 2020
会议时间: 05 Dec. 至 06 Dec. 2020
会议地址: Online
会议主题: PyCode Conference 2020
会议时间: 11 Dec. 至 12 Dec. 2020
会议地址: Online
会议主题: PyCon Tanzania 2020
会议时间: 14 Dec. 至 15 Dec. 2020
会议地址: Dar es Salaam, Tanzania
会议主题: BelPy 2021
会议时间: 30 Jan. 至 31 Jan. 2021
会议地址: Online
会议主题: PyCascades 2021
会议时间: 19 Feb. 至 21 Feb. 2021
会议地址: Portland, OR, USA
会议主题: enterPy (cancelled)
会议时间: 23 Nov. 至 24 Nov. 2020
会议地址: Heidelberg, Germany
会议主题: Online Python Web Global Summit 20
会议时间: 19 Nov. 2020
会议地址: Online
C:\Users\Administrator\Desktop>