使用python 提取html文件中的特定數據

fmms 12年前發布 | 125K 次閱讀 Python開發 Python

python提供了SGMLParser類用于html文件的解析。用戶只需從SGMLParser類繼承子類，并在子類中對html文件做具體處理。

例如具有如下結構的html文件

<div class='entry-content'>
<p>感興趣內容1</p>
<p>感興趣內容2</p>
……
<p>感興趣內容n</p>
</div>
<div class='content'>
<p>內容1</p>
<p>內容2</p>
……
<p>內容n</p>
</div>

我們嘗試獲得'感興趣內容'

對于文本內容,我們保存到IDList中。
可是如何標記我們遇到的文本是感興趣的內容呢，也就是，處于

<div class='entry-content'>
<p>這里的內容</p>
<p>還有這里</p>
……
<p>以及這里的內容</p>
</div>

思路如下

遇到<div class='entry-content'> 設置標記flag = True
遇到</div>后設置標記flag = False
當flag 為True時遇到<p> 設置標記getdata = True
遇到</p> 且getdata = True,設置getdata = False

python為我們提供了SGMLParser類，SGMLParser 將 HTML 分析成 8 類數據[1]，然后對每一類調用單獨的方法:使用時只需繼承SGMLParser 類，并編寫頁面信息的處理函數。

可用的處理函數如下：

開始標記 (Start tag)

是一個開始一個塊的 HTML 標記，象 <html>，<head>，<body> 或 <pre> 等，或是一個獨一的標記，象 <br> 或 <img> 等。當它找到一個開始標記 tagname，SGMLParser 將查找名為 start_tagname 或 do_tagname 的方法。例如，當它找到一個 <pre> 標記，它將查找一個 start_pre 或 do_pre 的方法。如果找到了，SGMLParser 會使用這個標記的屬性列表來調用這個方法；否則，它用這個標記的名字和屬性列表來調用 unknown_starttag 方法。

結束標記 (End tag)

是結束一個塊的 HTML 標記，象 </html>，</head>，</body> 或 </pre> 等。當找到一個結束標記時，SGMLParser 將查找名為 end_tagname 的方法。如果找到，SGMLParser 調用這個方法，否則它使用標記的名字來調用 unknown_endtag 。

字符引用 (Character reference)

用字符的十進制或等同的十六進制來表示的轉義字符，象  。當找到，SGMLParser 使用十進制或等同的十六進制字符文本來調用 handle_charref 。

實體引用 (Entity reference)

HTML 實體，象 ©。當找到，SGMLParser 使用 HTML 實體的名字來調用 handle_entityref 。

注釋 (Comment)

HTML 注釋, 包括在 之間。當找到，SGMLParser 用注釋內容來調用 handle_comment。

處理指令 (Processing instruction)

HTML 處理指令，包括在 <? ... > 之間。當找到，SGMLParser 用處理指令內容來調用 handle_pi。

聲明 (Declaration)

HTML 聲明，如 DOCTYPE，包括在 <! ... >之間。當找到，SGMLParser 用聲明內容來調用 handle_decl。

文本數據 (Text data)

文本塊。不滿足其它 7 種類別的任何東西。當找到，SGMLParser 用文本來調用 handle_data。

綜上，的到如下代碼

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:#遍歷div的所有屬性以及其值
            if k == 'class' and v == 'entry-content':#確定進入了<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):#處理文本
        if self.getdata:
            self.IDlist.append(text)

    def printID(self):
        for i in self.IDlist:
            print i

上面的思路存在一個bug
遇到</div>后設置標記flag = False
如果遇到div嵌套怎么辦？

<div class='entry-content'><div>我是來搗亂的</div><p>感興趣</p></div>

在遇到第一個</div>之后標記flag = False，導致無法的到‘感興趣內容’。
怎么辦呢？如何判斷遇到的</div>是和<div class='entry-content'>匹配的哪個呢？
很簡單，</div>和<div>是對應的，我們可以記錄他所處的層數。進入子層div verbatim加1,退出子層div verbatim減1.這樣就可以判斷是否是同一層了。

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 #進入子層div了，層數加1
            return
        for k,v in attrs:#遍歷div的所有屬性以及其值
            if k == 'class' and v == 'entry-content':#確定進入了<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:#退出子層div了，層數減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):#處理文本
        if self.getdata:
            self.IDlist.append(text)

    def printID(self):
        for i in self.IDlist:
            print i

最后建立了我們自己的類GetIdList后如何使用呢？
簡單建立實例 t = GetIdList()
the_page為字符串，內容為html
t.feed(the_page)#對html解析

t.printID()打印出結果

全部測試代碼為

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 #進入子層div了，層數加1
            return
        for k,v in attrs:#遍歷div的所有屬性以及其值
            if k == 'class' and v == 'entry-content':#確定進入了<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:#退出子層div了，層數減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):#處理文本
        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)#通過網絡獲取網頁
##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'>我是來搗亂的</div>
<p>感興趣內容1</p>
<p>感興趣內容2</p>
……
<p>感興趣內容n</p>
<div class= 'ooxx'>我是來搗亂的2<div class= 'ooxx'>我是來搗亂的3</div></div>
</div>
<div class='content'>
<p>內容1</p>
<p>內容2</p>
……
<p>內容n</p>
</div>
</body>
</html>
'''
lister = GetIdList()
lister.feed(the_page)
lister.printID()

執行后輸出為

感興趣內容1
感興趣內容2
感興趣內容n

參考文獻

[1] 深入 Python:Dive Into Python 中文版

本文由用戶 fmms 自行上傳分享，僅供網友學習交流。所有權歸原作者，若您的權利被侵害，請聯系管理員。

轉載本站原創文章，請注明出處，并保留原始鏈接、圖片水印。

本站是一個以用戶分享為主的開源技術平臺，歡迎各類分享！

本文地址：http://www.baiduhome.net/lib/view/open1329700631343.html

Python開發 Python

使用python 提取html文件中的特定數據

相關經驗

相關資訊

相關文檔

目錄