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  >  后端开发

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 2022-04-30 21:23:38
...
例如 具有如下结构的html文件

代码如下:



感兴趣内容1


感兴趣内容2


……

感兴趣内容n




内容1


内容2


……

内容n





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

代码如下:



这里的内容


还有这里


……

以及这里的内容





思路如下
  1. 遇到
    设置标记flag = True
  2. 遇到
后 设置标记flag = False
  • 当flag 为True时遇到

    设置标记getdata = True

  • 遇到 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 ,, 或
     等,或是一个独一的标记,象 
    使用python提取html文件中的特定数据的实现代码 等。当它找到一个开始标记 tagname,SGMLParser 将查找名为 start_tagnamedo_tagname 的方法。例如,当它找到一个
     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 ,, 或 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


    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


    self.flag = True
    return

    def end_div(self):#遇到


    self.flag = False

    def start_p(self, attrs):
    if self.flag == False:
    return
    self.getdata = True

    代码如下:


    def end_p(self):#遇到


    if self.getdata:
    self.getdata = False

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

    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

    相关标签: python 特定数据

    上一篇: Redis数据类型与指令详解之集合(t_set)

    下一篇: 字符串的各种方法和案例

    推荐阅读