python提取html当中的信息.docxVIP

SGMLParserPython 默认自带 HTMLParser 以及 SGMLParser 等等解析器，前者实在是太难用了，我就用 SGMLParser 写了一个示例程序：importurllib2fromsgmllibimport SGMLParser?class ListName(SGMLParser):def__init__(self):SGMLParser.__init__(self)self.is_h4==[]def start_h4(self, attrs):self.is_h4=1def end_h4(self):self.is_h4=def handle_data(self, text):ifself.is_h4==1:.append(text)?content =urllib2.urlopen(/browse/cat-0.htm).read()listname = ListName()listname.feed(content)for item in :print item.decode(gbk).encode(utf8)很简单，这里定义了一个叫做?ListName?的类，继承?SGMLParser?里面的方法。使用一个变量?is_h4?做标记判定 html 文件中的?h4?标签，如果遇到?h4?标签，则将标签内的内容加入到?List?变量?name?中。解释一下?start_h4()?和?end_h4()?函数，他们原型是 SGMLParser 中的start_tagname(self, attrs)end_tagname(self)tagname?就是标签名称，比如当遇到?pre，就会调用?start_pre，遇到?/pre，就会调用end_pre。attrs?为标签的参数，以?[(attribute, value), (attribute, value), ...]?的形式传回。输出：虚拟票务数码市场家电市场女装市场男装市场童装童鞋女鞋市场男鞋市场内衣市场箱包市场服饰配件珠宝饰品美容市场母婴市场家居市场日用市场食品/保健运动鞋服运动户外汽车用品玩具市场文化用品市场爱好市场生活服务如果有乱码，可能是与网页编码不一致，需要替换最后一句?deconde()?的参数，我在香港淘宝默认用的是繁体编码。各位可以 copy 上面的代码自己试试，把淘宝的商品目录抓下来，就是这么简单。稍微改改，就可以抽取二级分类等其他信息python的SGMLParser模块处理html解析非常的方便，它是处理网页解析的好帮手，能够将HTML 处理分成三步：将 HTML 分解成它的组成片段，对片段进行加工，接着将片段再重新合成 HTML。第一步是通过 sgmllib.py 来完成的，它是标准 Python 库的一部分。理解本章的关键是要知道 HTML 不只是文本，更是结构化文本。这种结构来源于开始与结束标记的或多或少分级序列。通常您并不以这种方式处理 HTML ，而是以文本方式在一个文本编辑中对其进行处理，或以可视的方式在一个浏览器中进行浏览或页面编辑工具中进行编辑。sgmllib.py 表现出了 HTML 的结构。sgmllib.py 包含一个重要的类：SGMLParser。SGMLParser 将 HTML 分解成有用的片段，比如开始标记和结束标记。在它成功地分解出某个数据为一个有用的片段后，它会根据所发现的数据，调用一个自身内部的方法。为了使用这个分析器，您需要子类化 SGMLParser 类，并且覆盖这些方法。这就是当我说它表示了 HTML 结构的意思：HTML 的结构决定了方法调用的次序和传给每个方法的参数。SGMLParser 将 HTML 分析成 8 类数据，然后对每一类调用单独的方法：开始标记 (Start tag)是开始一个块的 HTML 标记，像、、或 等，或是一个独一的标记，像 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。 结束标记 (End tag) 是结束一个块的 HTML 标记，像 、、 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