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

python网络编程学习笔记(七):HTML和XHTML解析(HTMLParser、BeautifulSoup)

程序员文章站 2023-12-27 18:05:28
一、利用htmlparser进行网页解析 具体htmlparser官方文档可参考http://docs.python.org/library/htmlparser.html...

一、利用htmlparser进行网页解析
具体htmlparser官方文档可参考http://docs.python.org/library/htmlparser.html#htmlparser.htmlparser

1、从一个简单的解析例子开始
例1:
test1.html文件内容如下:

复制代码 代码如下:

<html>
<head>
<title> xhtml 与 html 4.01 标准没有太多的不同</title>
</head>
<body>
i love you
</body>
</html>

下面是能够列出title和body的程序示例:

复制代码 代码如下:

##@小五义:
##htmlparser示例
import htmlparser
class titleparser(htmlparser.htmlparser):
    def __init__(self):
        self.taglevels=[]
        self.handledtags=['title','body'] #提出标签
        self.processing=none
        htmlparser.htmlparser.__init__(self)
    def handle_starttag(self,tag,attrs):
        if tag in self.handledtags:
            self.data=''
            self.processing=tag
    def handle_data(self,data):
        if self.processing:
            self.data +=data
    def handle_endtag(self,tag):
        if tag==self.processing:
            print str(tag)+':'+str(tp.gettitle())
            self.processing=none
    def gettitle(self):
        return self.data
fd=open('test1.html')
tp=titleparser()
tp.feed(fd.read())

运行结果如下:
title: xhtml 与 html 4.01 标准没有太多的不同
body:
i love you
程序定义了一个titleparser类,它是htmlparser类的子孙。htmlparser的feed方法将接收数据,并通过定义的htmlparser对象对数据进行相应的解析。其中handle_starttag、handle_endtag判断起始和终止tag,handle_data检查是否取得数据,如果self.processing不为none,那么就取得数据。

2、解决html实体问题
(html 中有用的字符实体)
(1)实体名称
当与到html中的实体问题时,上面的例子就无法实现,如这里将test1.html的代码改为:
例2:

复制代码 代码如下:

<html>
<head>
<title> xhtml 与" html 4.01 "标准没有太多的不同</title>
</head>
<body>
i love you×
</body>
</html>

利用上面的例子进行分析,其结果是:
title: xhtml 与 html 4.01 标准没有太多的不同
body:
i love you
实体完全消失了。这是因为当出现实体的时候,htmlparser调用了handle_entityref()方法,因为代码中没有定义这个方法,所以就什么都没有做。经过修改后,如下:

复制代码 代码如下:

##@小五义:
##htmlparser示例:解决实体问题
from htmlentitydefs import entitydefs
import htmlparser
class titleparser(htmlparser.htmlparser):
    def __init__(self):
        self.taglevels=[]
        self.handledtags=['title','body']
        self.processing=none
        htmlparser.htmlparser.__init__(self)
    def handle_starttag(self,tag,attrs):
        if tag in self.handledtags:
            self.data=''
            self.processing=tag
    def handle_data(self,data):
        if self.processing:
            self.data +=data
    def handle_endtag(self,tag):
        if tag==self.processing:
            print str(tag)+':'+str(tp.gettitle())
            self.processing=none
    def handle_entityref(self,name):
        if entitydefs.has_key(name):
            self.handle_data(entitydefs[name])
        else:
            self.handle_data('&'+name+';')
    def gettitle(self):
        return self.data
fd=open('test1.html')
tp=titleparser()
tp.feed(fd.read())

运行结果为:
title: xhtml 与" html 4.01 "标准没有太多的不同
body:
i love you×
这里就把所有的实体显示出来了。

(2)实体编码
例3:

复制代码 代码如下:

<html>
<head>
<title> xhtml 与" html 4.01 "标准没有太多的不同</title>
</head>
<body>
i love÷ you×
</body>
</html>

如果利用例2的代码执行后结果为:

title: xhtml 与" html 4.01 "标准没有太多的不同
body:
i love you×
结果中÷ 对应的÷没有显示出来。
添加handle_charref()进行处理,具体代码如下:

复制代码 代码如下:

##@小五义:
##htmlparser示例:解决实体问题
from htmlentitydefs import entitydefs
import htmlparser
class titleparser(htmlparser.htmlparser):
    def __init__(self):
        self.taglevels=[]
        self.handledtags=['title','body']
        self.processing=none
        htmlparser.htmlparser.__init__(self)
    def handle_starttag(self,tag,attrs):
        if tag in self.handledtags:
            self.data=''
            self.processing=tag
    def handle_data(self,data):
        if self.processing:
            self.data +=data
    def handle_endtag(self,tag):
        if tag==self.processing:
            print str(tag)+':'+str(tp.gettitle())
            self.processing=none
    def handle_entityref(self,name):
        if entitydefs.has_key(name):
            self.handle_data(entitydefs[name])
        else:
            self.handle_data('&'+name+';')

    def handle_charref(self,name):
        try:
            charnum=int(name)
        except valueerror:
            return
        if charnum<1 or charnum>255:
            return
        self.handle_data(chr(charnum))

    def gettitle(self):
        return self.data
fd=open('test1.html')
tp=titleparser()
tp.feed(fd.read())

运行结果为:
title: xhtml 与" html 4.01 "标准没有太多的不同
body:
i love÷ you×

3、提取链接
例4:

复制代码 代码如下:

<html>
<head>
<title> xhtml 与" html 4.01 "标准没有太多的不同</title>
</head>
<body>

<a href="http://pypi.python.org/pypi" title="link1">i love÷ you×</a>
</body>
</html>

这里在handle_starttag(self,tag,attrs)中,tag=a时,attrs记录了属性值,因此只需要将attrs中name=href的value提出即可。具体如下:

复制代码 代码如下:

##@小五义:
##htmlparser示例:提取链接
# -*- coding: cp936 -*-
from htmlentitydefs import entitydefs
import htmlparser
class titleparser(htmlparser.htmlparser):
    def __init__(self):
        self.taglevels=[]
        self.handledtags=['title','body']
        self.processing=none
        htmlparser.htmlparser.__init__(self)       
    def handle_starttag(self,tag,attrs):
        if tag in self.handledtags:
            self.data=''
            self.processing=tag
        if tag =='a':
            for name,value in attrs:
                if name=='href':
                    print '连接地址:'+value
    def handle_data(self,data):
        if self.processing:
            self.data +=data
    def handle_endtag(self,tag):
        if tag==self.processing:
            print str(tag)+':'+str(tp.gettitle())
            self.processing=none
    def handle_entityref(self,name):
        if entitydefs.has_key(name):
            self.handle_data(entitydefs[name])
        else:
            self.handle_data('&'+name+';')

    def handle_charref(self,name):
        try:
            charnum=int(name)
        except valueerror:
            return
        if charnum<1 or charnum>255:
            return
        self.handle_data(chr(charnum))

    def gettitle(self):
        return self.data
fd=open('test1.html')
tp=titleparser()
tp.feed(fd.read())

运行结果为:
title: xhtml 与" html 4.01 "标准没有太多的不同
连接地址:http://pypi.python.org/pypi
body:

i love÷ you×

4、提取图片
如果网页中有一个图片文件,将其提取出来,并存为一个单独的文件。
例5:

复制代码 代码如下:

<html>
<head>
<title> xhtml 与" html 4.01 "标准没有太多的不同</title>
</head>
<body>
i love÷ you×
<a href="http://pypi.python.org/pypi" title="link1">我想你</a>
<div id="m"><img src="http://www.baidu.com/img/baidu_sylogo1.gif" width="270" height="129" ></div>
</body>
</html>

将baidu_sylogo1.gif存取出来,具体代码如下:

复制代码 代码如下:

##@小五义:
##htmlparser示例:提取图片
# -*- coding: cp936 -*-
from htmlentitydefs import entitydefs
import htmlparser,urllib
def getimage(addr):#提取图片并存在当前目录下
    u = urllib.urlopen(addr)
    data = u.read()
    filename=addr.split('/')[-1]
    f=open(filename,'wb')
    f.write(data)
    f.close()
    print filename+'已经生成!'

class titleparser(htmlparser.htmlparser):
    def __init__(self):
        self.taglevels=[]
        self.handledtags=['title','body']
        self.processing=none
        htmlparser.htmlparser.__init__(self)       
    def handle_starttag(self,tag,attrs):
        if tag in self.handledtags:
            self.data=''
            self.processing=tag
        if tag =='a':
            for name,value in attrs:
                if name=='href':
                    print '连接地址:'+value
        if tag=='img':
            for name,value in attrs:
                if name=='src':
                    getimage(value)
    def handle_data(self,data):
        if self.processing:
            self.data +=data
    def handle_endtag(self,tag):
        if tag==self.processing:
            print str(tag)+':'+str(tp.gettitle())
            self.processing=none
    def handle_entityref(self,name):
        if entitydefs.has_key(name):
            self.handle_data(entitydefs[name])
        else:
            self.handle_data('&'+name+';')

    def handle_charref(self,name):
        try:
            charnum=int(name)
        except valueerror:
            return
        if charnum<1 or charnum>255:
            return
        self.handle_data(chr(charnum))

    def gettitle(self):
        return self.data
fd=open('test1.html')
tp=titleparser()
tp.feed(fd.read())

运动结果为:
title: xhtml 与" html 4.01 "标准没有太多的不同
连接地址:http://pypi.python.org/pypi
baidu_sylogo1.gif已经生成!
body:
i love÷ you×
?ò????

5、实际例子:
例6、获取人人网首页上的各各链接地址,代码如下:

复制代码 代码如下:

##@小五义:
##htmlparser示例:获取人人网首页上的各各链接地址
#coding: utf-8
from htmlentitydefs import entitydefs
import htmlparser,urllib
def getimage(addr):
    u = urllib.urlopen(addr)
    data = u.read()
    filename=addr.split('/')[-1]
    f=open(filename,'wb')
    f.write(data)
    f.close()
    print filename+'已经生成!'
class titleparser(htmlparser.htmlparser):
    def __init__(self):
        self.taglevels=[]
        self.handledtags=['a']
        self.processing=none
        self.linkstring=''
        self.linkaddr=''
        htmlparser.htmlparser.__init__(self)       
    def handle_starttag(self,tag,attrs):
        if tag in self.handledtags:
            for name,value in attrs:
                if name=='href':
                    self.linkaddr=value
            self.processing=tag

    def handle_data(self,data):
        if self.processing:
            self.linkstring +=data
            #print data.decode('utf-8')+':'+self.linkaddr
    def handle_endtag(self,tag):
        if tag==self.processing:
            print self.linkstring.decode('utf-8')+':'+self.linkaddr
            self.processing=none
            self.linkstring=''
    def handle_entityref(self,name):
        if entitydefs.has_key(name):
            self.handle_data(entitydefs[name])
        else:
            self.handle_data('&'+name+';')

    def handle_charref(self,name):
        try:
            charnum=int(name)
        except valueerror:
            return
        if charnum<1 or charnum>255:
            return
        self.handle_data(chr(charnum))

    def gettitle(self):
        return self.linkaddr
tp=titleparser()
tp.feed(urllib.urlopen('http://www.renren.com/').read())

运行结果:
分享:http://share.renren.com
应用程序:http://app.renren.com
公共主页:http://page.renren.com
人人生活:http://life.renren.com
人人小组:http://xiaozu.renren.com/
同名同姓:http://name.renren.com
人人中学:http://school.renren.com/allpages.html
大学百科:http://school.renren.com/daxue/
人人热点:http://life.renren.com/hot
人人小站:http://zhan.renren.com/
人人逛街:http://j.renren.com/
人人校招:http://xiaozhao.renren.com/
:http://www.renren.com
注册:http://wwv.renren.com/xn.do?ss=10113&rt=27
登录:http://www.renren.com/
帮助:http://support.renren.com/helpcenter
给我们提建议:http://support.renren.com/link/suggest
更多:#
:javascript:closeerror();
打开邮箱查收确认信:#
重新输入:javascript:closeerror();
:javascript:closestop();
客服:http://help.renren.com/#http://help.renren.com/support/contomvice?pid=2&selection={couid:193,proid:342,cityid:1000375}
:javascript:closelock();
立即解锁:http://safe.renren.com/relive.do
忘记密码?:http://safe.renren.com/findpass.do
忘记密码?:http://safe.renren.com/findpass.do
换一张:javascript:refreshcode_login();
msn:#
360:https://openapi.360.cn/oauth2/authorize?client_id=5ddda4458747126a583c5d58716bab4c&response_type=code&redirect_uri=http://www.renren.com/bind/tsz/tszlogincallback&scope=basic&display=default
天翼:https://oauth.api.189.cn/emp/oauth2/authorize?app_id=296961050000000294&response_type=code&redirect_uri=http://www.renren.com/bind/ty/tylogincallback
为什么要填写我的生日?:#birthday
看不清换一张?:javascript:refreshcode();
想了解更多人人网功能?点击此处:javascript:;
:javascript:;
:javascript:;
立刻注册:http://reg.renren.com/xn6245.do?ss=10113&rt=27
关于:http://www.renren.com/siteinfo/about
开放平台:http://dev.renren.com
人人游戏:http://wan.renren.com
公共主页:http://page.renren.com/register/regguide/
手机人人:http://mobile.renren.com/mobilelink.do?psf=40002
团购:http://www.nuomi.com
皆喜网:http://www.jiexi.com
营销服务:http://ads.renren.com
招聘:http://job.renren-inc.com/
客服帮助:http://support.renren.com/helpcenter
隐私:http://www.renren.com/siteinfo/privacy
京icp证090254号:http://www.miibeian.gov.cn/
互联网药品信息服务资格证:http://a.xnimg.cn/n/core/res/certificate.jpg

二、利用beautifulsoup进行网页解析
1、beautifulsoup下载和安装
下载地址:http://www.crummy.com/software/beautifulsoup/download/3.x/
中文文档地址:http://www.crummy.com/software/beautifulsoup/bs3/documentation.zh.html#entity%20conversion
安装方法:将下载的文件解压缩后,文件夹下有个setup.py文件,然后在cmd下,运行python setup.py install进行安装,注意setup.py的路径问题。安装成功后,在python中就可以直接import beautifulsoup了。
2、从一个简单的解析例子开始
例7:

复制代码 代码如下:

<html>
<head>
<title> xhtml 与" html 4.01 "标准没有太多的不同</title>
</head>
<body>
i love÷ you×
<a href="http://pypi.python.org/pypi" title="link1">我想你</a>
<div id="m"><img src="http://www.baidu.com/img/baidu_sylogo1.gif" width="270" height="129" ></div>
</body>
</html>

获取title的代码:

复制代码 代码如下:

##@小五义:
##beautifulsoup示例:title
#coding: utf8
import beautifulsoup

a=open('test1.html','r')
htmlline=a.read()
soup=beautifulsoup.beautifulsoup(htmlline.decode('gb2312'))
#print soup.prettify()#规范化html文件
titletag=soup.html.head.title
print titletag.string


运行结果:
xhtml 与" html 4.01 "标准没有太多的不同
从代码和结果来看,应注意两点:
第一,在beautifulsoup.beautifulsoup(htmlline.decode('gb2312'))初始化过程中,应注意字符编码格式,从网上搜索了一下,开始用utf-8的编码显示不正常,换为gb2312后显示正常。其实可以用soup.originalencoding方法来查看原文件的编码格式。
第二,结果中未对字符实体进行处理,在beautifulsoup中文文档中,有专门对实体转换的解释,这里将上面的代码改为以下代码后,结果将正常显示:

复制代码 代码如下:

##@小五义:
##beautifulsoup示例:title
#coding: utf8
import beautifulsoup
a=open('test1.html','r')
htmlline=a.read()
soup=beautifulsoup.beautifulstonesoup(htmlline.decode('gb2312'),convertentities=beautifulsoup.beautifulstonesoup.all_entities)
#print soup.prettify()#规范化html文件
titletag=soup.html.head.title
print titletag.string

这里convertentities=beautifulsoup.beautifulstonesoup.all_entities中的all_entities定义了xml和html两者的实体代码。当然,也可以直接用xml_entities或者html_entities。运行结果如下:
xhtml 与" html 4.01 "标准没有太多的不同
3、提取链接
还有用上面的例子,这里代码变为:

复制代码 代码如下:

##@小五义:
##beautifulsoup示例:提取链接
#coding: utf8
import beautifulsoup
a=open('test1.html','r')
htmlline=a.read()
a.close()
soup=beautifulsoup.beautifulstonesoup(htmlline.decode('gb2312'),convertentities=beautifulsoup.beautifulstonesoup.all_entities)
name=soup.find('a').string
links=soup.find('a')['href']
print name+':'+links

运行结果为:
我想你:http://pypi.python.org/pypi
4、提取图片
依然是用上面的例子,把baidu图片提取出来。
代码为:

复制代码 代码如下:

##@小五义:http://www.cnblogs.com/xiao*
#coding: utf8
import beautifulsoup,urllib
def getimage(addr):#提取图片并存在当前目录下
    u = urllib.urlopen(addr)
    data = u.read()
    filename=addr.split('/')[-1]
    f=open(filename,'wb')
    f.write(data)
    f.close()
    print filename+' finished!'
a=open('test1.html','r')
htmlline=a.read()
soup=beautifulsoup.beautifulstonesoup(htmlline.decode('gb2312'),convertentities=beautifulsoup.beautifulstonesoup.all_entities)
links=soup.find('img')['src']
getimage(links)

提取链接和提取图片两部分主要都是用了find方法,具体方法为:
find(name, attrs, recursive, text, **kwargs)
findall是列出全部符合条件的,find只列出第一条。这里注意的是findall返回的是个list。
5、实际例子:
例8、获取人人网首页上的各各链接地址,代码如下:

复制代码 代码如下:

##@小五义:
##beautifulsoup示例:获取人人网首页上的各各链接地址
#coding: utf8
import beautifulsoup,urllib
linkname=''
htmlline=urllib.urlopen('http://www.renren.com/').read()
soup=beautifulsoup.beautifulstonesoup(htmlline.decode('utf-8'))
links=soup.findall('a')
for i in links:
    ##判断tag是a的里面,href是否存在。
    if 'href' in str(i):
        linkname=i.string
        linkaddr=i['href']
        if 'nonetype' in str(type(linkname)):#当i无内容是linkname为nonetype类型。
            print linkaddr
        else:
            print linkname+':'+linkaddr

运行结果:
分享:http://share.renren.com
应用程序:http://app.renren.com
公共主页:http://page.renren.com
人人生活:http://life.renren.com
人人小组:http://xiaozu.renren.com/
同名同姓:http://name.renren.com
人人中学:http://school.renren.com/allpages.html
大学百科:http://school.renren.com/daxue/
人人热点:http://life.renren.com/hot
人人小站:http://zhan.renren.com/
人人逛街:http://j.renren.com/
人人校招:http://xiaozhao.renren.com/
http://www.renren.com
注册:http://wwv.renren.com/xn.do?ss=10113&rt=27
登录:http://www.renren.com/
帮助:http://support.renren.com/helpcenter
给我们提建议:http://support.renren.com/link/suggest
更多:#
javascript:closeerror();
打开邮箱查收确认信:#
重新输入:javascript:closeerror();
javascript:closestop();
客服:http://help.renren.com/#http://help.renren.com/support/contomvice?pid=2&selection={couid:193,proid:342,cityid:1000375}
javascript:closelock();
立即解锁:http://safe.renren.com/relive.do
忘记密码?:http://safe.renren.com/findpass.do
忘记密码?:http://safe.renren.com/findpass.do
换一张:javascript:refreshcode_login();
msn:#
360:https://openapi.360.cn/oauth2/authorize?client_id=5ddda4458747126a583c5d58716bab4c&response_type=code&redirect_uri=http://www.renren.com/bind/tsz/tszlogincallback&scope=basic&display=default
天翼:https://oauth.api.189.cn/emp/oauth2/authorize?app_id=296961050000000294&response_type=code&redirect_uri=http://www.renren.com/bind/ty/tylogincallback
#birthday
看不清换一张?:javascript:refreshcode();
javascript:;
javascript:;
立刻注册:http://reg.renren.com/xn6245.do?ss=10113&rt=27
关于:http://www.renren.com/siteinfo/about
开放平台:http://dev.renren.com
人人游戏:http://wan.renren.com
公共主页:http://page.renren.com/register/regguide/
手机人人:http://mobile.renren.com/mobilelink.do?psf=40002
团购:http://www.nuomi.com
皆喜网:http://www.jiexi.com
营销服务:http://ads.renren.com
招聘:http://job.renren-inc.com/
客服帮助:http://support.renren.com/helpcenter
隐私:http://www.renren.com/siteinfo/privacy
京icp证090254号:http://www.miibeian.gov.cn/
互联网药品信息服务资格证:http://a.xnimg.cn/n/core/res/certificate.jpg

上一篇:

下一篇: