Python 分析html

分析我们可以有4钟方式：

字符串分析
使用正则表达式
使用 python提供内置库 html parser
使用第三方库 BeautifulSoup

第一种就是你自己把真个html内容看成一个字符串，然后查找，截取等操作完成。关于使用正则表达式我们前面有一篇文章介绍：

内置库 htmlparser，请参看官方文档，

使用方法很简单，下面给出官方的一段示例代码：

from HTMLParser import HTMLParser

# create a subclass and override the handler methods
class MyHTMLParser(HTMLParser):
    def handle_starttag(self, tag, attrs):
        print "Encountered a start tag:", tag
    def handle_endtag(self, tag):
        print "Encountered an end tag :", tag
    def handle_data(self, data):
        print "Encountered some data  :", data

# instantiate the parser and fed it some HTML
parser = MyHTMLParser()
parser.feed('<html><head><title>Test</title></head>'
            '<body><h1>Parse me!</h1></body></html>')

输出结果如下：

Encountered a start tag: html
Encountered a start tag: head
Encountered a start tag: title
Encountered some data  : Test
Encountered an end tag : title
Encountered an end tag : head
Encountered a start tag: body
Encountered a start tag: h1
Encountered some data  : Parse me!
Encountered an end tag : h1
Encountered an end tag : body
Encountered an end tag : html

但是HtmlParser功能还是有限，第四种方式就是本文推荐的方式，因为使用更加方便（跟htmlparser比较），功能更加强大。虽然是第三方库，但是安装还是很方便的。

名字：BeautifulSoup

官网：http://www.crummy.com/software/BeautifulSoup

安装：

如果你是debian系列的系统，如Ubuntu，那么

$ apt-get install python-bs4

如果你安装了python得 easy_install或者 pip，那么安装更加方便

$ easy_install beautifulsoup4

$ pip install beautifulsoup4

如果这些都没有装，没关系，从官网下载最新的包，解压，然后进入解压，执行下面的命令，这种方式特别适合Windows的环境。

$ python setup.py install

使用：

只要导入相应的库 BeautifulSoup就可以使用了

from bs4 import BeautifulSoup as BSoup

soup = BSoup( htmlContent ）

下面给出一段示例代码：

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc)

soup.title
# <title>The Dormouse's story</title>

soup.title.name
# u'title'

soup.title.string
# u'The Dormouse's story'

soup.title.parent.name
# u'head'

soup.p
# <p class="title"><b>The Dormouse's story</b></p>

soup.p['class']
# u'title'

soup.a
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

soup.find_all('a')
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
#  <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
#  <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

soup.find(id="link3")
# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>

More from my site

分享到：

Python 分析html

More from my site

留言 取消

留言取消