感兴趣内容1
感兴趣内容2
……
感兴趣内容n
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
代码如下:
这里的内容
还有这里
以及这里的内容
设置标记getdata = True
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:
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
或 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。
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 。
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 。
HTML 实体,象 ©。当找到,SGMLParser 使用 HTML 实体的名字来调用 handle_entityref 。
HTML 注释, 包括在 之间。当找到,SGMLParser 用注释内容来调用 handle_comment。
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。
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。
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
def end_div(self):#遇到
代码如下:
def end_p(self):#遇到
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
上一篇: 关于 jQuery Easyui异步加载tree的问题解析
下一篇: js中关于this的详解