spider-抓取网页内容

使用urllib2抓取网页内容：

import urllib2
from HTMLParser import HTMLParser
request = urllib2.Request('http://www.baidu.com')
response = urllib2.urlopen(request).read()
print response

使用HTMLParser处理网页内容：

from HTMLParser import HTMLParser
class hp(HTMLParser):
    a_text = False
    def handle_decl(self,decl):
        #print decl
        pass

    def handle_comment(self,comment):
        #print comment
        pass

    #抓取所有的超链接http://开头的
    def handle_starttag(self,tag,attrs):
        if tag == 'a':
            self.a_text = True
            #print tag,attrs
            for h,v in attrs:
                if h == 'href' and len(v) >6:
                    #pass
                    pt = r'http://\S+'
                    cp = re.compile(pt)
                    vr = cp.match(v)
                    if vr:
                        print vr.group()     

    def handle_endtag(self,tag):
        if tag == 'a':
            self.a_text = False  

    def handle_data(self,data):
        if self.a_text:
            #print (data)
            pass  

    def handle_startendtag(self,tag,attrs):
        if tag == 'link':
            print attrs
            for h,v in attrs:
                if h == 'href':
                    #print v
                    pass

yk = hp()
yk.feed(con)
yk.close()

　　HTMLParser是python用来解析html的模块。它可以分析出html里面的标签、数据等等，是一种处理html的简便途径。HTMLParser采用的是一种事件驱动的模式，当HTMLParser找到一个特定的标记时，它会去调用一个用户定义的函数，以此来通知程序处理。它主要的用户回调函数的命名都是以handler_开头的，都是HTMLParser的成员函数。当我们使用时，就从HTMLParser派生出新的类，然后重新定义这几个以handler_开头的函数即可。这几个函数包括：

handle_startendtag  处理开始标签和结束标签
handle_starttag     处理开始标签，比如<xx>
handle_endtag       处理结束标签，比如</xx>
handle_charref      处理特殊字符串，就是以&#开头的，一般是内码表示的字符
handle_entityref    处理一些特殊字符，以&开头的，比如 &nbsp;
handle_data         处理数据，就是<xx>data</xx>中间的那些数据
handle_comment      处理注释
handle_decl         处理<!开头的，比如<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
handle_pi           处理形如<?instruction>的东西