软件开发架构师

Python HTML解析模块HTMLParser(爬虫工具)

架构 118 2020-05-19 09:54

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 &nbsp;
(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 from html.parser import HTMLParser
 2 from urllib import request
 3 
 4 
 5 class MyHTMLParser(HTMLParser):     # 创建HTML解析类
 6     def __init__(self):
 7         HTMLParser.__init__(self)
 8         self.gifs_urls = []         # 创建列表,保存gif
 9         self.jpgs_urls = []         # 创建列表,保存jpg
10 
11     # 重写HTMLParser中的内置方法
12     def handle_starttag(self, tags, attrs):  # 处理起始标记
13         if tags == 'img':   # 处理图片
14             for attr in attrs:
15                 for t in attr:
16                     if 'gif' in t and 'https' in t:
17                         self.gifs_urls.append(t)    # 添加到gif列表
18                     elif 'jpg' in t and 'https' in t:
19                         self.jpgs_urls.append(t)    # 添加到jpg列表
20                     else:
21                         pass
22     # 自定义的方法
23     def get_gifs(self):     # 返回gif列表
24         return self.gifs_urls
25 
26     def get_jpgs(self):     # 返回jpg列表
27         return self.jpgs_urls
28 
29     # 自定义的方法,获取页面
30     def getHTML(self,url):
31         req=request.Request(url,method='GET')
32         html=request.urlopen(req,timeout=30)
33         return html.read()
34 
35     # 自定义的方法,批量下载图片
36     def downImgs(self,img_urls,n=10,path='Image/'):
37         count=1
38         for url in img_urls:
39             request.urlretrieve(url=url,filename='{0}{1}{2}'.format(path,count,'.jpg'))
40             count=count+1
41             if count == n + 1:
42                 print('共下载%d张图片' %(n))
43                 return
44 
45 if __name__ == '__main__':
46 
47     Url = 'http://tieba.baidu.com/p/2256306796'
48     HtmlParser=MyHTMLParser()
49     Html=HtmlParser.getHTML(Url)
50     # print(Html)
51     HtmlParser.feed(str(Html))      #开始解析HTML,自动调用HTMLParser中的内置方法
52     HtmlParser.downImgs(HtmlParser.get_jpgs())

   

  至此,转载请注明出处。

<a id=Python HTML解析模块HTMLParser(爬虫工具)-1" alt="">

文章评论