黄聪:使用Python中的HTMLParser、cookielib抓取和解析网页、从HTML文档中提取链接、图像、文本、Cookies(二)
对搜索引擎、文件索引、文档转换、数据检索、站点备份或迁移等应用程序来说,经常用到对网页(即HTML文件)的解析处理。事实上,通过 Python语言提供的各种模块,我们无需借助Web服务器或者Web浏览器就能够解析和处理HTML文档。本文上篇中,我们介绍了一个可以帮助简化打开 位于本地和Web上的HTML文档的Python模块。在本文中,我们将论述如何使用Python模块来迅速解析在HTML文件中的数据,从而处理特定的 内容,如链接、图像和Cookie等。同时还会介绍如何规范HTML文件的格式标签。
一、从HTML文档中提取链接
Python语言还有一个非常有用的模块HTMLParser,该模块使我们能够根据HTML文档中的标签来简洁、高效地解析HTML文档。所以,在处理HTML文档的时候,HTMLParser是最常用的模块之一。
importHTMLParser
importurllib
classparseLinks(HTMLParser.HTMLParser):
defhandle_starttag(self, tag, attrs):
iftag=='a':
forname,valueinattrs:
ifname=='href':
printvalue
printself.get_starttag_text()
lParser=parseLinks()
lParser.feed(urllib.urlopen("/index.html").read())
处理HTML文档的时候,我们常常需要从其中提取出所有的链接。使用HTMLParser模块后,这项任务将变得易如反掌。首先,我们需要定义 一个新的HTMLParser类,以覆盖handle_starttag()方法,我们将使用这个方法来显示所有标签的HRef属性值。
定义好新的HTMLParser类之后,需要创建一个实例来返回HTMLParser对象。然后,就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。
为了解析HTML文件的内容并显示包含其中的链接,可以使用read()函数将数据传递给HTMLParser对象。HTMLParser对象 的feed函数将接收数据,并通过定义的HTMLParser对象对数据进行相应的解析。需要注意,如果传给HTMLParser的feed()函数的数 据不完整的话,那么不完整的标签会保存下来,并在下一次调用feed()函数时进行解析。当HTML文件很大,需要分段发送给解析器的时候,这个功能就会 有用武之地了。下面是一个具体的例子
importHTMLParser
importurllib
importsys
#定义HTML解析器
classparseLinks(HTMLParser.HTMLParser):
defhandle_starttag(self, tag, attrs):
iftag=='a':
forname,valueinattrs:
ifname=='href':
printvalue
printself.get_starttag_text()
#创建HTML解析器的实例
lParser=parseLinks()
#打开HTML文件
lParser.feed(urllib.urlopen( /
"/index.html").read())
lParser.close()
上述代码的运行结果太长,在此省略,您可以自己运行代码试试。
二、从HTML文档中提取图像
处理HTML文档的时候,我们常常需要从其中提取出所有的图像。使用HTMLParser模块后,这项任务将变得易如反掌。首先,我们需要定义 一个新的HTMLParser类,以覆盖handle_starttag()方法,该方法的作用是查找img标签,并保存src属性值所指的文件。
importHTMLParser
importurllib
defgetImage(addr):
u=urllib.urlopen(addr)
data=u.read()
classparseImages(HTMLParser.HTMLParser):
defhandle_starttag(self, tag, attrs):
iftag=='img':
forname,valueinattrs:
ifname=='src':
getImage(urlString+"/"+value)
u=urllib.urlopen(urlString)
lParser.feed(u.read())
定义好新的HTMLParser类之后,需要创建一个实例来返回HTMLParser对象。然后,就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。
为了解析HTML文件的内容并显示包含其中的图像,可以使用feed(data)函数将数据发送至HTMLParser对象。HTMLParser对象的feed函数将接收数据,并通过定义的HTMLParser对象对数据进行相应的解析。下面是一个具体的示例:
importHTMLParser
importurllib
importsys
urlString=""
#把图像文件保存至硬盘
defgetImage(addr):
u=urllib.urlopen(addr)
data=u.read()
splitPath=addr.split('/')
fName=splitPath.pop()
print"Saving %s"%fName
f=open(fName,'wb')
f.write(data)
f.close()
#定义HTML解析器
classparseImages(HTMLParser.HTMLParser):
defhandle_starttag(self, tag, attrs):
iftag=='img':
forname,valueinattrs:
ifname=='src':
getImage(urlString+"/"+value)
#创建HTML解析器的实例
lParser=parseImages()
#打开HTML文件
u=urllib.urlopen(urlString)
print"Opening URL/n===================="
printu.info()
#把HTML文件传给解析器
lParser.feed(u.read())
lParser.close()
上述代码的运行结果如下所示:
Opening URL
====================
Date: Fri,26Jun10:54:49GMT
Server: Apache/2.2.9(Debian) DAV/2SVN/1.5.1mod_ssl/2.2.9OpenSSL/0.9.8g mod_wsgi/2.3Python/2.5.2
Last-Modified: Thu,25Jun09:44:54GMT
ETag:"105800d-46e7-46d29136f7180"
Accept-Ranges: bytes
Content-Length:18151
Connection: close
Content-Type: text/html
Saving python-logo.gif
Saving trans.gif
Saving trans.gif
Saving afnic.fr.png
三、从HTML文档中提取文本
处理HTML文档的时候,我们常常需要从其中提取出所有的文本。使用HTMLParser模块后,这项任务将变得非常简单了。首先,我们需要定义一个新的HTMLParser类,以覆盖handle_data()方法,该方法是用来解析并文本数据的。
importHTMLParser
importurllib
classparseText(HTMLParser.HTMLParser):
defhandle_data(self, data):
ifdata!='/n':
urlText.append(data)
lParser=parseText()
lParser.feed(urllib.urlopen( /
/lib/module-HTMLParser.html).read())
定义好新的HTMLParser类之后,需要创建一个实例来返回HTMLParser对象。然后,就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。
为了解析HTML文件的内容并显示包含其中的文本,我们可以使用feed(data)函数将数据传递给HTMLParser对象。 HTMLParser对象的feed函数将接收数据,并通过定义的HTMLParser对象对数据进行相应的解析。要注意的是,如果传给 HTMLParser的feed()函数的数据不完整的话,那么不完整的标签会保存下来,并在下一次调用feed()函数时进行解析。当HTML文件很 大,需要分段发送给解析器的时候,这个功能就会有用武之地了。下面是一个具体的代码示例:
importHTMLParser
importurllib
urlText=[]
#定义HTML解析器
classparseText(HTMLParser.HTMLParser):
defhandle_data(self, data):
ifdata!='/n':
urlText.append(data)
#创建HTML解析器的实例
lParser=parseText()
#把HTML文件传给解析器
lParser.feed(urllib.urlopen( /
“/lib/module-HTMLParser.html” /
).read())
lParser.close()
foriteminurlText:
printitem
上面代码的运行输出过长,在此略过
四、从HTML文档中提取Cookies
很多时候,我们都需要处理Cookie,幸运的是Python语言的cookielib模块为我们提供了许多自动处理在HTML中的HTTP Cookie的类。当处理要求为客户端设置Cookie的HTML文档的时候,这些类对我们非常有用。
importurllib2
importcookielib
fromurllib2importurlopen, Request
cJar=cookielib.LWPCookieJar()
opener=urllib2.build_opener( /
urllib2.HTTPCookieProcessor(cJar))
urllib2.install_opener(opener)
r=Request(testURL)
h=urlopen(r)
forind, cookieinenumerate(cJar):
print"%d - %s"%(ind, cookie)
cJar.save(cookieFile)
为了从HTML文档提取cookies,首先得使用cookielib模块的LWPCookieJar()函数创建一个cookie jar的实例。LWPCookieJar()函数将返回一个对象,该对象可以从硬盘加载Cookie,同时还能向硬盘存放Cookie。
接下来,使用urllib2模块的build_opener([handler, . . .])函数创建一个opener对象,当HTML文件打开时该对象将处理cookies。函数build_opener可以接收零个或多个处理程序(这些 程序将按照它们被指定的顺序连接在一起)作为参数并返回一个。
注意,如果想让urlopen()使用opener对象来打开HTML文件的话,可以调用install_opener(opener)函数,并将opener对象传给它。否则,请使用opener对象的open(url)函数来打开HTML文件。
一旦已经创建并安装了opener对象,就可以使用urllib2模块中的Request(url)函数来创建一个Request对象,然后就能使用urlopen(Request)函数来打开HTML文件了。
打开HTML页面后,该页面的所有Cookie将被存放到LWPCookieJar对象中,之后,您可以使用LWPCookieJar对象的save(filename)函数了。
importos
importurllib2
importcookielib
fromurllib2importurlopen, Request
cookieFile="cookies.dat"
testURL='/'
#为cookie jar 创建实例
cJar=cookielib.LWPCookieJar()
#创建HTTPCookieProcessor的opener对象
opener=urllib2.build_opener( /
urllib2.HTTPCookieProcessor(cJar))
#安装HTTPCookieProcessor的opener
urllib2.install_opener(opener)
#创建一个Request对象
r=Request(testURL)
#打开HTML文件
h=urlopen(r)
print"页面的头部/n======================"
printh.info()
print"页面的Cookies/n======================"
forind, cookieinenumerate(cJar):
print"%d - %s"%(ind, cookie)
#保存cookies
cJar.save(cookieFile)
上述代码的运行结果如下所示:
页面的头部
======================
Cache-Control: private
Content-Type: text/html; charset=ISO-8859-1
Set-Cookie: PREF=ID=5d9692b55f029733:NW=1:TM=1246015608:LM=1246015608:S=frfx--b3xt73TaEA; expires=Sun,26-Jun-11:26:48GMT; path=/; domain=.
Date: Fri,26Jun11:26:48GMT
Server: mfe
Expires: Fri,26Jun11:26:48GMT
Transfer-Encoding: chunked
Connection: close
页面的Cookies
======================
0-
五、为HTML文档中的属性值添加引号
前面我们讨论了如果根据HTML解析器中的某种处理程序来解析HTML文件,可是有时候我们却需要使用所有的处理程序来处理HTML文档。值得庆幸的是,使用HTMLParser模块解析HTML文件的所有要素并不比处理链接或者图像难多少。
importHTMLParser
importurllib
classparseAttrs(HTMLParser.HTMLParser):
defhandle_starttag(self, tag, attrs):
. . .
attrParser=parseAttrs()
attrParser.init_parser()
attrParser.feed(urllib.urlopen("test2.html").read())
这里,我们将讨论如何使用HTMLParser模块来解析HTML文件,从而为“裸奔”的属性值加上引号。首先,我们要定义一个新的HTMLParser类,以覆盖下面所有的处理程序来为属性值添加引号。
handle_starttag(tag, attrs)
handle_charref(name)
handle_endtag(tag)
handle_entityref(ref)
handle_data(text)
handle_comment(text)
handle_pi(text)
handle_decl(text)
handle_startendtag(tag, attrs)
我们还需要在parser类中定义一个函数来初始化用于存储解析好的数据的变量,同时还要定义另外一个函数来返回解析好的数据。
定义好新的HTMLParser类之后,需要创建一个实例来返回HTMLParser对象。使用我们创建的init函数初始化该解析器,这样,我们就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。
为了解析HTML文件的内容并给属性值添加引号,可以使用feed(data)函数将数据传递给HTMLParser对象。HTMLParser对象的feed函数将接收数据,并通过定义的HTMLParser对象对数据进行相应的解析。下面是一个具体的示例代码:
importHTMLParser
importurllib
importsys
#定义HTML解析器
classparseAttrs(HTMLParser.HTMLParser):
definit_parser (self):
self.pieces=[]
defhandle_starttag(self, tag, attrs):
fixedAttrs=""
#for name,value in attrs:
forname, valueinattrs:
fixedAttrs+="%s=/"%s/""%(name, value)
self.pieces.append("<%s %s>"%(tag, fixedAttrs))
defhandle_charref(self, name):
self.pieces.append("&#%s;"%(name))
defhandle_endtag(self, tag):
self.pieces.append(""%(tag))
defhandle_entityref(self, ref):
self.pieces.append("&%s"%(ref))
defhandle_data(self, text):
self.pieces.append(text)
defhandle_comment(self, text):
self.pieces.append(""%(text))
defhandle_pi(self, text):
self.pieces.append(""%(text))
defhandle_decl(self, text):
self.pieces.append(""%(text))
defparsed (self):
return"".join(self.pieces)
#创建HTML解析器的实例
attrParser=parseAttrs()
#初始化解析器数据
attrParser.init_parser()
#把HTML文件传给解析器
attrParser.feed(urllib.urlopen("test2.html").read())
#显示原来的文件内容
print"原来的文件/n========================"
printopen("test2.html").read()
#显示解析后的文件
print"解析后的文件/n========================"
printattrParser.parsed()
attrParser.close()
我们还需要建立一个测试文件,名为test2.html,该文件内容可以从上述代码的运行结果看到,具体如下所示:
原来的文件
========================
<html>
<head>
<meta content="text/html; charset=utf-8"
http-equiv="content-type"/>
<title>Web页面</title>
</head>
<body>
<H1>Web页面清单</H1>
<a href=>Python网站</a>
<a href=test.html>本地页面</a>
<img SRC=test.jpg>
</body>
</html>
解析后的文件
========================
<html>
<head>
<meta content="text/html; charset=utf-8"
http-equiv="content-type"></meta>
<title>Web页面</title>
</head>
<body>
<h1>Web页面清单</h1>
<a href="">Python网站</a>
<a href="test.html">本地页面</a>
<img src="test.jpg">
</body>
</html>
六、小结
对搜索引擎、文件索引、文档转换、数据检索、站点备份或迁移等应用程序来说,经常用到对网页(即HTML文件)的解析处理。事实上,通过 Python语言提供的各种模块,我们无需借助Web服务器或者Web浏览器就能够解析和处理HTML文档。本文将详细介绍了如何使用Python模块来 迅速解析在HTML文件中的数据,从而处理特定的内容,如链接、图像和Cookie等。同时,我们还给出了一个规范HTML文件的格式标签的例子,希望本 文对您会有所帮助。
黄聪:使用Python中的HTMLParser cookielib抓取和解析网页 从HTML文档中提取链接 图像 文本 Cookies(二)