使用python 提取html文件中的特定数据

fmms 13年前

python提供了SGMLParser类用于html文件的解析。用户只需从SGMLParser类继承子类,并在子类中对html文件做具体处理。

例如 具有如下结构的html文件

<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
<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 &#160;。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 &copy;。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

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
    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

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?
<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
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

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

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