首页 > 代码库 > 使用Python中的HTMLParser、cookielib抓取和解析网页、从HTML文档中提取链接、图像、文本、Cookies（二）（转）
使用Python中的HTMLParser、cookielib抓取和解析网页、从HTML文档中提取链接、图像、文本、Cookies（二）（转）
对搜索引擎、文件索引、文档转换、数据检索、站点备份或迁移等应用程序来说，经常用到对网页(即HTML文件)的解析处理。事实上，通过 Python语言提供的各种模块，我们无需借助Web服务器或者Web浏览器就能够解析和处理HTML文档。本文上篇中，我们介绍了一个可以帮助简化打开 位于本地和Web上的HTML文档的Python模块。在本文中，我们将论述如何使用Python模块来迅速解析在HTML文件中的数据，从而处理特定的 内容，如链接、图像和Cookie等。同时还会介绍如何规范HTML文件的格式标签。
一、从HTML文档中提取链接
Python语言还有一个非常有用的模块HTMLParser，该模块使我们能够根据HTML文档中的标签来简洁、高效地解析HTML文档。所以，在处理HTML文档的时候，HTMLParser是最常用的模块之一。
import HTMLParser import urllib class parseLinks(HTMLParser.HTMLParser): def handle_starttag(self, tag, attrs): if tag == ‘a‘: for name,value in attrs: if name == ‘href‘: print value print self.get_starttag_text() lParser = parseLinks() lParser.feed(urllib.urlopen("http://www.python.org/index.html").read())
处理HTML文档的时候，我们常常需要从其中提取出所有的链接。使用HTMLParser模块后，这项任务将变得易如反掌。首先，我们需要定义 一个新的HTMLParser类，以覆盖handle_starttag()方法，我们将使用这个方法来显示所有标签的HRef属性值。
定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。然后，就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。
为了解析HTML文件的内容并显示包含其中的链接，可以使用read()函数将数据传递给HTMLParser对象。HTMLParser对象 的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。需要注意，如果传给HTMLParser的feed()函数的数 据不完整的话，那么不完整的标签会保存下来，并在下一次调用feed()函数时进行解析。当HTML文件很大，需要分段发送给解析器的时候，这个功能就会 有用武之地了。下面是一个具体的例子
import HTMLParser import urllib import sys #定义HTML解析器 class parseLinks(HTMLParser.HTMLParser): def handle_starttag(self, tag, attrs): if tag == ‘a‘: for name,value in attrs: if name == ‘href‘: print value print self.get_starttag_text() #创建HTML解析器的实例 lParser = parseLinks() #打开HTML文件 lParser.feed(urllib.urlopen( / "http://www.python.org/index.html").read()) lParser.close()
上述代码的运行结果太长，在此省略，您可以自己运行代码试试。
二、从HTML文档中提取图像
处理HTML文档的时候，我们常常需要从其中提取出所有的图像。使用HTMLParser模块后，这项任务将变得易如反掌。首先，我们需要定义 一个新的HTMLParser类，以覆盖handle_starttag()方法，该方法的作用是查找img标签，并保存src属性值所指的文件。
import HTMLParser import urllib def getImage(addr): u = urllib.urlopen(addr) data = u.read() class parseImages(HTMLParser.HTMLParser): def handle_starttag(self, tag, attrs): if tag == ‘img‘: for name,value in attrs: if name == ‘src‘: getImage(urlString + "/" + value) u = urllib.urlopen(urlString) lParser.feed(u.read())
定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。然后，就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。
为了解析HTML文件的内容并显示包含其中的图像，可以使用feed(data)函数将数据发送至HTMLParser对象。HTMLParser对象的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。下面是一个具体的示例：
import HTMLParser import urllib import sys urlString = "http://www.python.org" #把图像文件保存至硬盘 def getImage(addr): u = urllib.urlopen(addr) data = u.read() splitPath = addr.split(‘/‘) fName = splitPath.pop() print "Saving %s" % fName f = open(fName, ‘wb‘) f.write(data) f.close() #定义HTML解析器 class parseImages(HTMLParser.HTMLParser): def handle_starttag(self, tag, attrs): if tag == ‘img‘: for name,value in attrs: if name == ‘src‘: getImage(urlString + "/" + value) #创建HTML解析器的实例 lParser = parseImages() #打开HTML文件 u = urllib.urlopen(urlString) print "Opening URL/n====================" print u.info() #把HTML文件传给解析器 lParser.feed(u.read()) lParser.close()
上述代码的运行结果如下所示：
Opening URL ==================== Date: Fri, 26 Jun 2009 10:54:49 GMT Server: Apache/2.2.9 (Debian) DAV/2 SVN/1.5.1 mod_ssl/2.2.9 OpenSSL/0.9.8g mod_wsgi/2.3 Python/2.5.2 Last-Modified: Thu, 25 Jun 2009 09:44:54 GMT ETag: "105800d-46e7-46d29136f7180" Accept-Ranges: bytes Content-Length: 18151 Connection: close Content-Type: text/html Saving python-logo.gif Saving trans.gif Saving trans.gif Saving afnic.fr.png
三、从HTML文档中提取文本
处理HTML文档的时候，我们常常需要从其中提取出所有的文本。使用HTMLParser模块后，这项任务将变得非常简单了。首先，我们需要定义一个新的HTMLParser类，以覆盖handle_data()方法，该方法是用来解析并文本数据的。
import HTMLParser import urllib class parseText(HTMLParser.HTMLParser): def handle_data(self, data): if data != ‘/n‘: urlText.append(data) lParser = parseText() lParser.feed(urllib.urlopen( / http://docs.python.org/lib/module-HTMLParser.html).read())
定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。然后，就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。
为了解析HTML文件的内容并显示包含其中的文本，我们可以使用feed(data)函数将数据传递给HTMLParser对象。 HTMLParser对象的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。要注意的是，如果传给 HTMLParser的feed()函数的数据不完整的话，那么不完整的标签会保存下来，并在下一次调用feed()函数时进行解析。当HTML文件很 大，需要分段发送给解析器的时候，这个功能就会有用武之地了。下面是一个具体的代码示例：
import HTMLParser import urllib urlText = [] #定义HTML解析器 class parseText(HTMLParser.HTMLParser): def handle_data(self, data): if data != ‘/n‘: urlText.append(data) #创建HTML解析器的实例 lParser = parseText() #把HTML文件传给解析器 lParser.feed(urllib.urlopen( / “http://docs.python.org/lib/module-HTMLParser.html” / ).read()) lParser.close() for item in urlText: print item
上面代码的运行输出过长，在此略过
四、从HTML文档中提取Cookies
很多时候，我们都需要处理Cookie，幸运的是Python语言的cookielib模块为我们提供了许多自动处理在HTML中的HTTP Cookie的类。当处理要求为客户端设置Cookie的HTML文档的时候，这些类对我们非常有用。
import urllib2 import cookielib from urllib2 import urlopen, Request cJar = cookielib.LWPCookieJar() opener=urllib2.build_opener( / urllib2.HTTPCookieProcessor(cJar)) urllib2.install_opener(opener) r = Request(testURL) h = urlopen(r) for ind, cookie in enumerate(cJar): print "%d - %s" % (ind, cookie) cJar.save(cookieFile)
为了从HTML文档提取cookies，首先得使用cookielib模块的LWPCookieJar()函数创建一个cookie jar的实例。LWPCookieJar()函数将返回一个对象，该对象可以从硬盘加载Cookie，同时还能向硬盘存放Cookie。
接下来，使用urllib2模块的build_opener([handler, . . .])函数创建一个opener对象，当HTML文件打开时该对象将处理cookies。函数build_opener可以接收零个或多个处理程序(这些 程序将按照它们被指定的顺序连接在一起)作为参数并返回一个。
注意，如果想让urlopen()使用opener对象来打开HTML文件的话，可以调用install_opener(opener)函数，并将opener对象传给它。否则，请使用opener对象的open(url)函数来打开HTML文件。
一旦已经创建并安装了opener对象，就可以使用urllib2模块中的Request(url)函数来创建一个Request对象，然后就能使用urlopen(Request)函数来打开HTML文件了。
打开HTML页面后，该页面的所有Cookie将被存放到LWPCookieJar对象中，之后，您可以使用LWPCookieJar对象的save(filename)函数了。
import os import urllib2 import cookielib from urllib2 import urlopen, Request cookieFile = "cookies.dat" testURL = ‘http://maps.google.com/‘ #为cookie jar 创建实例 cJar = cookielib.LWPCookieJar() #创建HTTPCookieProcessor的opener对象 opener = urllib2.build_opener( / urllib2.HTTPCookieProcessor(cJar)) #安装HTTPCookieProcessor的opener urllib2.install_opener(opener) #创建一个Request对象 r = Request(testURL) #打开HTML文件 h = urlopen(r) print "页面的头部/n======================" print h.info() print "页面的Cookies/n======================" for ind, cookie in enumerate(cJar): print "%d - %s" % (ind, cookie) #保存cookies cJar.save(cookieFile)
上述代码的运行结果如下所示：
页面的头部 ====================== Cache-Control: private Content-Type: text/html; charset=ISO-8859-1 Set-Cookie: PREF=ID=5d9692b55f029733:NW=1:TM=1246015608:LM=1246015608:S=frfx--b3xt73TaEA; expires=Sun, 26-Jun-2011 11:26:48 GMT; path=/; domain=.google.com Date: Fri, 26 Jun 2009 11:26:48 GMT Server: mfe Expires: Fri, 26 Jun 2009 11:26:48 GMT Transfer-Encoding: chunked Connection: close 页面的Cookies ====================== 0 -
五、为HTML文档中的属性值添加引号
前面我们讨论了如果根据HTML解析器中的某种处理程序来解析HTML文件，可是有时候我们却需要使用所有的处理程序来处理HTML文档。值得庆幸的是，使用HTMLParser模块解析HTML文件的所有要素并不比处理链接或者图像难多少。
import HTMLParser import urllib class parseAttrs(HTMLParser.HTMLParser): def handle_starttag(self, tag, attrs): . . . attrParser = parseAttrs() attrParser.init_parser() attrParser.feed(urllib.urlopen("test2.html").read())
这里，我们将讨论如何使用HTMLParser模块来解析HTML文件，从而为“裸奔”的属性值加上引号。首先，我们要定义一个新的HTMLParser类，以覆盖下面所有的处理程序来为属性值添加引号。
handle_starttag(tag, attrs) handle_charref(name) handle_endtag(tag) handle_entityref(ref) handle_data(text) handle_comment(text) handle_pi(text) handle_decl(text) handle_startendtag(tag, attrs)我们还需要在parser类中定义一个函数来初始化用于存储解析好的数据的变量，同时还要定义另外一个函数来返回解析好的数据。
定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。使用我们创建的init函数初始化该解析器，这样，我们就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。
为了解析HTML文件的内容并给属性值添加引号，可以使用feed(data)函数将数据传递给HTMLParser对象。HTMLParser对象的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。下面是一个具体的示例代码：
import HTMLParser import urllib import sys #定义HTML解析器 class parseAttrs(HTMLParser.HTMLParser): def init_parser (self): self.pieces = [] def handle_starttag(self, tag, attrs): fixedAttrs = "" #for name,value in attrs: for name, value in attrs: fixedAttrs += "%s=/"%s/" " % (name, value) self.pieces.append("<%s %s>" % (tag, fixedAttrs)) def handle_charref(self, name): self.pieces.append("&#%s;" % (name)) def handle_endtag(self, tag): self.pieces.append("" % (tag)) def handle_entityref(self, ref): self.pieces.append("&%s" % (ref)) def handle_data(self, text): self.pieces.append(text) def handle_comment(self, text): self.pieces.append("" % (text)) def handle_pi(self, text): self.pieces.append("" % (text)) def handle_decl(self, text): self.pieces.append("" % (text)) def parsed (self): return "".join(self.pieces) #创建HTML解析器的实例 attrParser = parseAttrs() #初始化解析器数据 attrParser.init_parser() #把HTML文件传给解析器 attrParser.feed(urllib.urlopen("test2.html").read()) #显示原来的文件内容 print "原来的文件/n========================" print open("test2.html").read() #显示解析后的文件 print "解析后的文件/n========================" print attrParser.parsed() attrParser.close()
我们还需要建立一个测试文件，名为test2.html，该文件内容可以从上述代码的运行结果看到，具体如下所示：
原来的文件========================<html><head><meta content="text/html; charset=utf-8"http-equiv="content-type"/><title>Web页面</title></head><body><H1>Web页面清单</H1><a href=http://www.python.org>Python网站</a><a href=test.html>本地页面</a><img SRC=test.jpg></body></html>解析后的文件========================<html><head ><meta content="text/html; charset=utf-8"http-equiv="content-type" ></meta><title >Web页面</title></head><body ><h1 >Web页面清单</h1><a href=http://www.mamicode.com/"http://www.python.org" >Python网站</a><a href=http://www.mamicode.com/"test.html" >本地页面</a><img src=http://www.mamicode.com/"test.jpg" ></body></html>
六、小结
对搜索引擎、文件索引、文档转换、数据检索、站点备份或迁移等应用程序来说，经常用到对网页(即HTML文件)的解析处理。事实上，通过 Python语言提供的各种模块，我们无需借助Web服务器或者Web浏览器就能够解析和处理HTML文档。本文将详细介绍了如何使用Python模块来 迅速解析在HTML文件中的数据，从而处理特定的内容，如链接、图像和Cookie等。同时，我们还给出了一个规范HTML文件的格式标签的例子，希望本 文对您会有所帮助。
（转自：http://www.cnblogs.com/huangcong/archive/2011/08/31/2160747.html）
使用Python中的HTMLParser、cookielib抓取和解析网页、从HTML文档中提取链接、图像、文本、Cookies（二）（转）