Python HTML解析模块HTMLParser用法分析【爬虫工具】

时间:2022-06-10 05:57:20

本文实例讲述了python html解析模块htmlparser用法。分享给大家供大家参考,具体如下:

简介

先简略介绍一下。实际上,htmlparser是python用来解析html的内置模块。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"handle_"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"handle_"开头的函数即可。这几个函数包括:

(1)handle_startendtag    处理开始标签和结束标签(即单标签)
(2)handle_starttag          处理开始标签,比如<xx>
(3)handle_endtag           处理结束标签,比如</xx>
(4)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
(5)handle_entityref        处理一些特殊字符,以&开头的,比如  
(6)handle_data              处理数据,就是<xx>data</xx>中间的那些数据
(7)handle_comment          处理注释
(8)handle_decl               处理<!开头的,比如<!doctype html public "-//w3c//dtd html 4.01 transitional//en"
(9)handle_pi                   处理形如<?instruction>的东西

实例

ok,废话少说,直接上手,来一个简单的爬虫实例——抓取贴吧图片。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
from html.parser import htmlparser
from urllib import request
class myhtmlparser(htmlparser):   # 创建html解析类
  def __init__(self):
    htmlparser.__init__(self)
    self.gifs_urls = []     # 创建列表,保存gif
    self.jpgs_urls = []     # 创建列表,保存jpg
  # 重写htmlparser中的内置方法
  def handle_starttag(self, tags, attrs): # 处理起始标记
    if tags == 'img'# 处理图片
      for attr in attrs:
        for t in attr:
          if 'gif' in t and 'https' in t:
            self.gifs_urls.append(t)  # 添加到gif列表
          elif 'jpg' in t and 'https' in t:
            self.jpgs_urls.append(t)  # 添加到jpg列表
          else:
            pass
  # 自定义的方法
  def get_gifs(self):   # 返回gif列表
    return self.gifs_urls
  def get_jpgs(self):   # 返回jpg列表
    return self.jpgs_urls
  # 自定义的方法,获取页面
  def gethtml(self,url):
    req=request.request(url,method='get')
    html=request.urlopen(req,timeout=30)
    return html.read()
  # 自定义的方法,批量下载图片
  def downimgs(self,img_urls,n=10,path='image/'):
    count=1
    for url in img_urls:
      request.urlretrieve(url=url,filename='{0}{1}{2}'.format(path,count,'.jpg'))
      count=count+1
      if count == n + 1:
        print('共下载%d张图片' %(n))
        return
if __name__ == '__main__':
  url = 'http://tieba.baidu.com/p/2256306796'
  htmlparser=myhtmlparser()
  html=htmlparser.gethtml(url)
  # print(html)
  htmlparser.feed(str(html))   #开始解析html,自动调用htmlparser中的内置方法
  htmlparser.downimgs(htmlparser.get_jpgs())

希望本文所述对大家python程序设计有所帮助。

原文链接:https://www.cnblogs.com/wcwnina/p/8082761.html