使用python 提取html文件中的特定数据
fmms
12年前
python提供了SGMLParser类用于html文件的解析。用户只需从SGMLParser类继承子类，并在子类中对html文件做具体处理。
例如 具有如下结构的html文件
<div class='entry-content'> <p>感兴趣内容1</p> <p>感兴趣内容2</p> …… <p>感兴趣内容n</p> </div> <div class='content'> <p>内容1</p> <p>内容2</p> …… <p>内容n</p> </div>
我们尝试获得'感兴趣内容'
对于文本内容,我们保存到IDList中。
可是如何标记我们遇到的文本是感兴趣的内容呢，也就是，处于
<div class='entry-content'> <p>这里的内容</p> <p>还有这里</p> …… <p>以及这里的内容</p> </div>思路如下
- 遇到<div class='entry-content'> 设置标记flag = True
- 遇到</div>后 设置标记flag = False
- 当flag 为True时遇到<p> 设置标记getdata = True
- 遇到</p> 且getdata = True,设置getdata = False
python为我们提供了SGMLParser类，SGMLParser 将 HTML 分析成 8 类数据[1]，然后对每一类调用单独的方法:使用时只需继承SGMLParser 类，并编写页面信息的处理函数。
可用的处理函数如下：
- 开始标记 (Start tag)
是一个开始一个块的 HTML 标记，象 <html>，<head>，<body> 或 <pre> 等，或是一个独一的标记，象 <br> 或 <img> 等。当它找到一个开始标记 tagname，SGMLParser 将查找名为 start_tagname 或 do_tagname 的方法。例如，当它找到一个 <pre> 标记，它将查找一个 start_pre 或 do_pre 的方法。如果找到了，SGMLParser 会使用这个标记的属性列表来调用这个方法；否则，它用这个标记的名字和属性列表来调用 unknown_starttag 方法。
- 结束标记 (End tag)
是结束一个块的 HTML 标记，象 </html>，</head>，</body> 或 </pre> 等。当找到一个结束标记时，SGMLParser 将查找名为 end_tagname 的方法。如果找到，SGMLParser 调用这个方法，否则它使用标记的名字来调用 unknown_endtag 。
- 字符引用 (Character reference)
用字符的十进制或等同的十六进制来表示的转义字符，象  。当找到，SGMLParser 使用十进制或等同的十六进制字符文本来调用 handle_charref 。
- 实体引用 (Entity reference)
HTML 实体，象 ©。当找到，SGMLParser 使用 HTML 实体的名字来调用 handle_entityref 。
- 注释 (Comment)
HTML 注释, 包括在 <!-- ... -->之间。当找到，SGMLParser 用注释内容来调用 handle_comment。
- 处理指令 (Processing instruction)
HTML 处理指令，包括在 <? ... > 之间。当找到，SGMLParser 用处理指令内容来调用 handle_pi。
- 声明 (Declaration)
HTML 声明，如 DOCTYPE，包括在 <! ... >之间。当找到，SGMLParser 用声明内容来调用 handle_decl。
- 文本数据 (Text data)
文本块。不满足其它 7 种类别的任何东西。当找到，SGMLParser 用文本来调用 handle_data。
综上，的到如下代码
from sgmllib import SGMLParser class GetIdList(SGMLParser): def reset(self): self.IDlist = [] self.flag = False self.getdata = False SGMLParser.reset(self) def start_div(self, attrs): for k,v in attrs:#遍历div的所有属性以及其值 if k == 'class' and v == 'entry-content':#确定进入了<div class='entry-content'> self.flag = True return def end_div(self):#遇到</div> self.flag = False def start_p(self, attrs): if self.flag == False: return self.getdata = True
def end_p(self):#遇到</p> if self.getdata: self.getdata = False def handle_data(self, text):#处理文本 if self.getdata: self.IDlist.append(text)
def printID(self): for i in self.IDlist: print i
上面的思路存在一个bug
遇到</div>后 设置标记flag = False
如果遇到div嵌套怎么办？
<div class='entry-content'><div>我是来捣乱的</div><p>感兴趣</p></div>在遇到第一个</div>之后标记flag = False，导致无法的到‘感兴趣内容’。
怎么办呢？如何判断遇到的</div>是和<div class='entry-content'>匹配的哪个呢？
很简单，</div>和<div>是对应的，我们可以记录他所处的层数。进入子层div verbatim加1,退出子层div verbatim减1.这样就可以判断是否是同一层了。
修改后 如下
from sgmllib import SGMLParser class GetIdList(SGMLParser): def reset(self): self.IDlist = [] self.flag = False self.getdata = False self.verbatim = 0 SGMLParser.reset(self) def start_div(self, attrs): if self.flag == True: self.verbatim +=1 #进入子层div了，层数加1 return for k,v in attrs:#遍历div的所有属性以及其值 if k == 'class' and v == 'entry-content':#确定进入了<div class='entry-content'> self.flag = True return def end_div(self):#遇到</div> if self.verbatim == 0: self.flag = False if self.flag == True:#退出子层div了，层数减1 self.verbatim -=1 def start_p(self, attrs): if self.flag == False: return self.getdata = True def end_p(self):#遇到</p> if self.getdata: self.getdata = False def handle_data(self, text):#处理文本 if self.getdata: self.IDlist.append(text) def printID(self): for i in self.IDlist: print i
最后 建立了我们自己的类GetIdList后如何使用呢？
简单建立实例 t = GetIdList()
the_page为字符串，内容为html
t.feed(the_page)#对html解析
t.printID()打印出结果
全部测试代码为
from sgmllib import SGMLParser class GetIdList(SGMLParser): def reset(self): self.IDlist = [] self.flag = False self.getdata = False self.verbatim = 0 SGMLParser.reset(self) def start_div(self, attrs): if self.flag == True: self.verbatim +=1 #进入子层div了，层数加1 return for k,v in attrs:#遍历div的所有属性以及其值 if k == 'class' and v == 'entry-content':#确定进入了<div class='entry-content'> self.flag = True return def end_div(self):#遇到</div> if self.verbatim == 0: self.flag = False if self.flag == True:#退出子层div了，层数减1 self.verbatim -=1 def start_p(self, attrs): if self.flag == False: return self.getdata = True def end_p(self):#遇到</p> if self.getdata: self.getdata = False def handle_data(self, text):#处理文本 if self.getdata: self.IDlist.append(text) def printID(self): for i in self.IDlist: print i ##import urllib2 ##import datetime ##vrg = (datetime.date(2012,2,19) - datetime.date.today()).days ##strUrl = 'http://www.nod32id.org/nod32id/%d.html'%(200+vrg) ##req = urllib2.Request(strUrl)#通过网络获取网页 ##response = urllib2.urlopen(req) ##the_page = response.read() the_page ='''<html> <head> <title>test</title> </head> <body> <h1>title</h1> <div class='entry-content'> <div class= 'ooxx'>我是来捣乱的</div> <p>感兴趣内容1</p> <p>感兴趣内容2</p> …… <p>感兴趣内容n</p> <div class= 'ooxx'>我是来捣乱的2<div class= 'ooxx'>我是来捣乱的3</div></div> </div> <div class='content'> <p>内容1</p> <p>内容2</p> …… <p>内容n</p> </div> </body> </html> ''' lister = GetIdList() lister.feed(the_page) lister.printID()执行后 输出为
感兴趣内容1 感兴趣内容2 感兴趣内容n
参考文献