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。
#!/usr/bin/python
import urllib, HTMLParser
class parseLinks(HTMLParser.HTMLParser):
def handle_starttag(self,tag,attrs):
if tag=='a':
for name,value in attrs:
if name=='href':
print value,"\n", self.get_starttag_text()
lParser = parseLinks()
lPurl = urllib.urlopen("http://www.winddesktop.com").read()
f = open('./hyplink.text','a')
f.write(lPurl)
f.close()
lParser.feed(lPurl)
lParser.close()
#f.write(lParser(lPurl))
#f.close()
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。
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。
#!/usr/bin/python/
#-*-coding:utf-8-*-
import HTMLParser
import urllib
import sys,urllib2,htmllib,formatter
#urlString = "http://www.winddesktop.com"
urlString = "http://image.baidu.com"
def getimage(addr):
u = urllib.urlopen(addr)
data = u.read()
splitPath = addr.split('/')
fName = splitPath.pop()
print "Saving %s" %fName
f = open("./image/"+fName,'wb')
f.write(data)
f.close()
class parseImages(HTMLParser.HTMLParser):
def handle_starttag(self,tag,attrs):
if tag == 'img':
for name,value in attrs:
if name == 'src':
getimage(urlString+"/"+value)
lParser = parseImages()
u = urllib.urlopen(urlString)
print "Opening URL \n------"
print u.info()
lParser.feed(u.read())
lParser.close()
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。