這篇文章運(yùn)用簡(jiǎn)單易懂的例子給大家介紹怎么實(shí)現(xiàn)HTMLParser解析HTML,代碼非常詳細(xì),感興趣的小伙伴們可以參考借鑒,希望對(duì)大家能有所幫助。
創(chuàng)新互聯(lián)專(zhuān)業(yè)為企業(yè)提供丹寨網(wǎng)站建設(shè)、丹寨做網(wǎng)站、丹寨網(wǎng)站設(shè)計(jì)、丹寨網(wǎng)站制作等企業(yè)網(wǎng)站建設(shè)、網(wǎng)頁(yè)設(shè)計(jì)與制作、丹寨企業(yè)網(wǎng)站模板建站服務(wù),10年丹寨做網(wǎng)站經(jīng)驗(yàn),不只是建網(wǎng)站,更提供有價(jià)值的思路和整體網(wǎng)絡(luò)服務(wù)。
對(duì)于我們用Python實(shí)現(xiàn)的爬蟲(chóng)首要任務(wù)可以分為兩個(gè)步驟,第一步是用爬蟲(chóng)把目標(biāo)網(wǎng)站的頁(yè)面抓下來(lái),第二步就是解析該HTML頁(yè)面,看看里面的內(nèi)容到底是新聞、圖片還是視頻。
假設(shè)第一步已經(jīng)完成了,第二步應(yīng)該如何解析HTML呢?
HTML本質(zhì)上是XML的子集,但是HTML的語(yǔ)法沒(méi)有XML那么嚴(yán)格,所以不能用標(biāo)準(zhǔn)的DOM或SAX來(lái)解析HTML。
好在Python提供了HTMLParser來(lái)非常方便地解析HTML,只需簡(jiǎn)單幾行代碼:
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('<p>Some <a href="\"#\"">html</a> tutorial...<br>END</p>')
feed()方法可以多次調(diào)用,也就是不一定一次把整個(gè)HTML字符串都塞進(jìn)去,可以一部分一部分塞進(jìn)去。
特殊字符有兩種,一種是英文表示的 ,一種是數(shù)字表示的?,這兩種字符都可以通過(guò)Parser解析出來(lái)。
小結(jié)
找一個(gè)網(wǎng)頁(yè),例如https://www.python.org/events/python-events/,用瀏覽器查看源碼并復(fù)制,然后嘗試解析一下HTML,輸出Python官網(wǎng)發(fā)布的會(huì)議時(shí)間、名稱(chēng)和地點(diǎn)。
關(guān)于怎么實(shí)現(xiàn)HTMLParser解析HTML就分享到這里了,希望以上內(nèi)容可以對(duì)大家有一定的幫助,可以學(xué)到更多知識(shí)。如果覺(jué)得文章不錯(cuò),可以把它分享出去讓更多的人看到。
文章標(biāo)題:怎么實(shí)現(xiàn)HTMLParser解析HTML
網(wǎng)頁(yè)鏈接:http://aaarwkj.com/article44/jeihee.html
成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián),為您提供響應(yīng)式網(wǎng)站、做網(wǎng)站、移動(dòng)網(wǎng)站建設(shè)、小程序開(kāi)發(fā)、虛擬主機(jī)、網(wǎng)站設(shè)計(jì)
聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主,如果涉及侵權(quán)請(qǐng)盡快告知,我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如需處理請(qǐng)聯(lián)系客服。電話:028-86922220;郵箱:631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載,或轉(zhuǎn)載時(shí)需注明來(lái)源: 創(chuàng)新互聯(lián)