欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识！
您现在的位置是： 首页  >  IT编程

使用python提取html文件中的特定数据的实现代码

程序员文章站 2023-12-27 16:29:33
例如 具有如下结构的html文件 复制代码 代码如下:

感兴趣内容1

例如 具有如下结构的html文件

复制代码 代码如下:

<div class='entry-content'>
<p>感兴趣内容1</p>
<p>感兴趣内容2</p>
……
<p>感兴趣内容n</p>
</div>
<div class='content'>
<p>内容1</p>
<p>内容2</p>
……
<p>内容n</p>
</div>


我们尝试获得'感兴趣内容'

对于文本内容,我们保存到idlist中。
可是如何标记我们遇到的文本是感兴趣的内容呢，也就是，处于
复制代码 代码如下:

<div class='entry-content'>
<p>这里的内容</p>
<p>还有这里</p>
……
<p>以及这里的内容</p>
</div>


思路如下
  1. 遇到<div class='entry-content'> 设置标记flag = true
  2. 遇到</div>后 设置标记flag = false
  3. 当flag 为true时遇到<p> 设置标记getdata = true
  4. 遇到</p> 且getdata = true,设置getdata = false

python为我们提供了sgmlparser类，sgmlparser 将 html 分析成 8 类数据[1]，然后对每一类调用单独的方法:使用时只需继承sgmlparser 类，并编写页面信息的处理函数。

可用的处理函数如下：

  • 开始标记 (start tag) 
是一个开始一个块的 html 标记，象 <html>，<head>，<body> 或 <pre> 等，或是一个独一的标记，象 <br> 或 <img> 等。当它找到一个开始标记 tagname，sgmlparser 将查找名为 start_tagname 或 do_tagname 的方法。例如，当它找到一个 <pre> 标记，它将查找一个 start_pre 或 do_pre 的方法。如果找到了，sgmlparser 会使用这个标记的属性列表来调用这个方法；否则，它用这个标记的名字和属性列表来调用 unknown_starttag 方法。 
  • 结束标记 (end tag) 
是结束一个块的 html 标记，象 </html>，</head>，</body> 或 </pre> 等。当找到一个结束标记时，sgmlparser 将查找名为 end_tagname 的方法。如果找到，sgmlparser 调用这个方法，否则它使用标记的名字来调用 unknown_endtag 。 
  • 字符引用 (character reference) 
用字符的十进制或等同的十六进制来表示的转义字符，象  。当找到，sgmlparser 使用十进制或等同的十六进制字符文本来调用 handle_charref 。 
  • 实体引用 (entity reference) 
html 实体，象 ©。当找到，sgmlparser 使用 html 实体的名字来调用 handle_entityref 。 
  • 注释 (comment) 
html 注释, 包括在 <!-- ... -->之间。当找到，sgmlparser 用注释内容来调用 handle_comment。 
  • 处理指令 (processing instruction) 
html 处理指令，包括在 <? ... > 之间。当找到，sgmlparser 用处理指令内容来调用 handle_pi。 
  • 声明 (declaration) 
html 声明，如 doctype，包括在 <! ... >之间。当找到，sgmlparser 用声明内容来调用 handle_decl。 
  • 文本数据 (text data) 
文本块。不满足其它 7 种类别的任何东西。当找到，sgmlparser 用文本来调用 handle_data。 


综上，的到如下代码


复制代码 代码如下:

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:#遍历div的所有属性以及其值
            if k == 'class' and v == 'entry-content':#确定进入了<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

复制代码 代码如下:

    def end_p(self):#遇到</p>
        if self.getdata:
            self.getdata = false

    def handle_data(self, text):#处理文本
        if self.getdata:
            self.idlist.append(text)

复制代码 代码如下:

    def printid(self):
        for i in self.idlist:
            print i

上面的思路存在一个bug
遇到</div>后 设置标记flag = false
如果遇到div嵌套怎么办？

复制代码 代码如下:

<div class='entry-content'><div>我是来捣乱的</div><p>感兴趣</p></div>

在遇到第一个</div>之后标记flag = false，导致无法的到‘感兴趣内容'。
怎么办呢？如何判断遇到的</div>是和<div class='entry-content'>匹配的哪个呢？
很简单，</div>和<div>是对应的，我们可以记录他所处的层数。进入子层div verbatim加1,退出子层div  verbatim减1.这样就可以判断是否是同一层了。

修改后 如下

复制代码 代码如下:

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 #进入子层div了，层数加1
            return
        for k,v in attrs:#遍历div的所有属性以及其值
            if k == 'class' and v == 'entry-content':#确定进入了<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:#退出子层div了，层数减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):#处理文本
        if self.getdata:
            self.idlist.append(text)

    def printid(self):
        for i in self.idlist:
            print i

最后  建立了我们自己的类getidlist后如何使用呢？
简单建立实例 t = getidlist()
the_page为字符串，内容为html
t.feed(the_page)#对html解析

t.printid()打印出结果

全部测试代码为

复制代码 代码如下:

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 #进入子层div了，层数加1
            return
        for k,v in attrs:#遍历div的所有属性以及其值
            if k == 'class' and v == 'entry-content':#确定进入了<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:#退出子层div了，层数减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):#处理文本
        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)#通过网络获取网页
##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'>我是来捣乱的</div>
<p>感兴趣内容1</p>
<p>感兴趣内容2</p>
……
<p>感兴趣内容n</p>
<div class= 'ooxx'>我是来捣乱的2<div class= 'ooxx'>我是来捣乱的3</div></div>
</div>
<div class='content'>
<p>内容1</p>
<p>内容2</p>
……
<p>内容n</p>
</div>
</body>
</html>
'''
lister = getidlist()
lister.feed(the_page)
lister.printid()

执行后 输出为

复制代码 代码如下:

感兴趣内容1
感兴趣内容2
感兴趣内容n


参考文献

[1] 深入 python:dive into python 中文版

上一篇：

下一篇：

推荐阅读