快捷導(dǎo)航

Python HTML解析模塊HTMLParser用法分析【爬蟲工具】

更新時(shí)間：2019年04月05日 10:14:18 作者：薔薇Nina

這篇文章主要介紹了Python HTML解析模塊HTMLParser用法,結(jié)合實(shí)例形式分析了HTMLParser模塊功能、常用函數(shù)及作為爬蟲工具相關(guān)使用技巧,需要的朋友可以參考下

本文實(shí)例講述了Python HTML解析模塊HTMLParser用法。分享給大家供大家參考，具體如下：

簡(jiǎn)介

先簡(jiǎn)略介紹一下。實(shí)際上，HTMLParser是python用來解析HTML的內(nèi)置模塊。它可以分析出HTML里面的標(biāo)簽、數(shù)據(jù)等等，是一種處理HTML的簡(jiǎn)便途徑。HTMLParser采用的是一種事件驅(qū)動(dòng)的模式，當(dāng)HTMLParser找到一個(gè)特定的標(biāo)記時(shí)，它會(huì)去調(diào)用一個(gè)用戶定義的函數(shù)，以此來通知程序處理。它主要的用戶回調(diào)函數(shù)的命名都是以"handle_"開頭的，都是HTMLParser的成員函數(shù)。當(dāng)我們使用時(shí)，就從HTMLParser派生出新的類，然后重新定義這幾個(gè)以"handle_"開頭的函數(shù)即可。這幾個(gè)函數(shù)包括：

（1）handle_startendtag 　　處理開始標(biāo)簽和結(jié)束標(biāo)簽（即單標(biāo)簽）
（2）handle_starttag     　　   處理開始標(biāo)簽，比如<xx>
（3）handle_endtag       　　處理結(jié)束標(biāo)簽，比如</xx>
（4）handle_charref      　　   處理特殊字符串，就是以&#開頭的，一般是內(nèi)碼表示的字符
（5）handle_entityref   　　   處理一些特殊字符，以&開頭的，比如  
（6）handle_data         　　   處理數(shù)據(jù)，就是<xx>data</xx>中間的那些數(shù)據(jù)
（7）handle_comment          處理注釋
（8）handle_decl         　　    處理<!開頭的，比如<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
（9）handle_pi           　　      處理形如<?instruction>的東西

實(shí)例

OK，廢話少說，直接上手，來一個(gè)簡(jiǎn)單的爬蟲實(shí)例——抓取貼吧圖片。

from html.parser import HTMLParser
from urllib import request
class MyHTMLParser(HTMLParser):   # 創(chuàng)建HTML解析類
  def __init__(self):
    HTMLParser.__init__(self)
    self.gifs_urls = []     # 創(chuàng)建列表，保存gif
    self.jpgs_urls = []     # 創(chuàng)建列表，保存jpg
  # 重寫HTMLParser中的內(nèi)置方法
  def handle_starttag(self, tags, attrs): # 處理起始標(biāo)記
    if tags == 'img':  # 處理圖片
      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j(luò)pg列表
          else:
            pass
  # 自定義的方法
  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
  # 自定義的方法，獲取頁面
  def getHTML(self,url):
    req=request.Request(url,method='GET')
    html=request.urlopen(req,timeout=30)
    return html.read()
  # 自定義的方法，批量下載圖片
  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('共下載%d張圖片' %(n))
        return
if __name__ == '__main__':
  Url = 'http://tieba.baidu.com/p/2256306796'
  HtmlParser=MyHTMLParser()
  Html=HtmlParser.getHTML(Url)
  # print(Html)
  HtmlParser.feed(str(Html))   #開始解析HTML，自動(dòng)調(diào)用HTMLParser中的內(nèi)置方法
  HtmlParser.downImgs(HtmlParser.get_jpgs())

更多關(guān)于Python相關(guān)內(nèi)容可查看本站專題：《Python Socket編程技巧總結(jié)》、《Python正則表達(dá)式用法總結(jié)》、《Python數(shù)據(jù)結(jié)構(gòu)與算法教程》、《Python函數(shù)使用技巧總結(jié)》、《Python字符串操作技巧匯總》、《Python入門與進(jìn)階經(jīng)典教程》及《Python文件與目錄操作技巧匯總》

希望本文所述對(duì)大家Python程序設(shè)計(jì)有所幫助。

您可能感興趣的文章: