Python 抓取解析HTML

谁借莪１个温暖的怀抱￠ 2022-08-14 05:46 200阅读 0赞

这个程序解析百度文库的一个网页，提取其中的一个ID 值， 参考了网上的一些资料，才写成。

我理解这个HTMLParser类是这样工作的： 遍历每个遇到的标签。 主要是三个函数，  
handle\_starttag  
handle\_data  
handle\_endtag  
这个三个函数，分别处理，你看到这个标签 开始，中间，结尾的时间点， 你可以做一些自己想要的处理，比如像我，我会把符合我想要的特征的 ID 存下来。 所以需要 在html源文件中，寻找你要找的数据的特点。

写这个程序的另个碰到的问题是 gbk编码的问题。  
我一般都是用的utf8的编码 ，但是，百度这个页面的输出是gb2312的编码，这样Python程序就解析不了html了， 也是在网上查了资料，看到

reload(sys)  
sys.setdefaultencoding(‘GBK’)  
用这两句解决了编码的问题。

下面是源文件，欢迎交流学习。

#-*- encoding: gbk -*- 
    from HTMLParser import HTMLParser
    import urllib
    import sys 
    import sys 
    
    #sys.setdefaultencoding('utf8')
    reload(sys)
    sys.setdefaultencoding('GBK')
    
    class parselinks(HTMLParser):
      def __init__(self):
          self.data=[]
          self.href=0
    
          self.href_value=''
          self.target_value=''
    
          HTMLParser.__init__(self)
      def handle_starttag(self,tag,attrs):
          if tag =='a':
              for name,value in attrs:
                  if name == 'href':
                      self.href=1
                      self.href_value = value
                  if name == 'target':
                      self.target_value = value
    
      def handle_data(self,data):
          pass
    
      def handle_endtag(self,tag):
          if tag=='a' and self.target_value == '_blank':
    
              if  self.href_value.find('view') != -1: 
                  self.data.append(self.href_value)
    
              self.href=0
              self.href_value=''
              self.target_value=''
      def getresult(self):
          self.data = set(self.data)
          for value in self.data:
              print value
    
    
    
    
    if __name__=="__main__":
      IParser = parselinks()
      webcontent = urllib.urlopen("http://wenku.baidu.com/o/koolearn?tab=1&od=1&view=0&pay=0&cid=0&pn=1").read()
    
      IParser.feed(webcontent)
      IParser.getresult()
      IParser.close()