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,

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)
用字符的十进制或等同的十六进制来表示的转义字符,
像  。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,像 ©。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。

重要
Python 2.0 存在一个 bug,即 SGMLParser 完全不能识别声明 (handle_decl 永远不会调用),
这就意味着 DOCTYPE 被静静地忽略掉了。这个错误在 Python 2.1 中改正了。
sgmllib.py 所附带的一个测试套件举例说明了这一点。您可以运行 sgmllib.py,
在命令行下传入一个 HTML 文件的名字,然后它会在分析标记和其它元素的同时将它们打印出来。
它的实现是通过子类化 SGMLParser 类,然后定义 unknown_starttag,unknown_endtag,handle_data
和其它方法来实现的。这些方法简单地打印出它们的参数。

如果要详细的了解python SGMLParser的用法的话,可以看看python SGMLParser的文档,
下面放上个我用python SGMLParsr写的例子,希望对大家有帮助:

#encoding=utf-8
#@description:baidutiba content

import sys
import re

import httplib
import urllib
from sgmllib import SGMLParser

class BaidutiebaParser(SGMLParser):
'''在百度贴吧里采集相应的关键字的标题'''

def reset(self):
SGMLParser.reset(self)
self.info = []#
self.q_check = 0
self.num = 0
self.strcontent = ''


def start_td(self, tag):
'''匹配 标签'''
if len(tag)!=0 and tag[0][1] == 's':
self.num = self.num + 1
self.q_check = 1

def handle_data(self, text):
'''处理文本'''
txt = text.strip()
if txt and self.q_check:
for i in checklist:
pipei = r'%s' % str(i)#在要匹配的信息里找到和关键字匹配
check_pan = re.compile(pipei)
if check_pan.search(txt) is not None:
self.info.append(txt)
else:
continue
self.strcontent = '$|$'.join(self.info)

def end_td(self):
'''匹配'''
self.q_check = 0


############################################配置信息#############################
keylist = ['旅游']#贴吧名称
checklist = ['张家界','韩国']#要查询的关键字
content = {}#采集内容

for m in keylist:
page = 0
keyword = urllib.quote(m.decode('utf-8').encode('gbk'))
for i in xrange(10):
url = '''http://tieba.baidu.com/f?z=0&ct=318767104&lm=11&sc=0&rn=50&tn=baiduKeywordSearch&rs3=0&rs4=0&word=%s&pn=%s''' % (str(keyword),str(page))
data = urllib.urlopen(url).read()
data = unicode(data, 'gbk').encode('utf-8')
parser = BaidutiebaParser()
parser.feed(data)
content[i+1] = parser.strcontent
page = page + 50

for k in content.keys():
print k
print content[k]


如果你对python queue模块也感兴趣的话,可以看看!
上面的例子也用到了python 字符串替换的一些方法,还有一些和python网页采集有关的: 使用python BeautifulSoup 解析网页python beautifulsoup多线程分析抓取网页

作者:老王@python python教程
老王python,提供pythn相关的python教程和python下载,希望大家能够喜欢


python视频教程

相关文章: