python开发_HTMLParser_html文档解析

'''

    在HTMLParser类中，定义了很多的方法，但是很多方法都是没有实现的，

    这需要我们继承HTMLParser类，自己去实现一些方法

    如：

    # Overridable -- handle start tag

    def handle_starttag(self, tag, attrs):

        pass

    # Overridable -- handle end tag

    def handle_endtag(self, tag):

        pass

    # Overridable -- handle character reference

    def handle_charref(self, name):

        pass

    # Overridable -- handle entity reference

    def handle_entityref(self, name):

        pass

    # Overridable -- handle data

    def handle_data(self, data):

        pass

    # Overridable -- handle comment

    def handle_comment(self, data):

        pass

    # Overridable -- handle declaration

    def handle_decl(self, decl):

        pass

    # Overridable -- handle processing instruction

    def handle_pi(self, data):

        pass

'''

下面是我做的demo

运行效果：

Python 3.3.2 (v3.3.2:d047928ae3f6, May 16 2013, 00:03:43) [MSC v.1600 32 bit (Intel)] on win32

Type "copyright", "credits" or "license()" for more information.

>>> ================================ RESTART ================================

>>>

开始读取文件:[c:\test\hongten.html]

源html:

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">

<html>

 <head>

  <title> Python Html module </title>

  <meta name="Generator" content="EditPlus">

  <meta name="Author" content="Hongten">

  <meta name="Keywords" content="hongten,python">

  <meta name="Description" content="this blogs is about python">

 </head>

 <!-- this is  comment-->

 <body>

    <table border = "">

        <tr>

            <td>

            Author

            </td>

            <td>

            Hongten

            </td>

            <td>

            Mail

            </td>

            <td>

            hongtenzone@foxmail.com

            </td>

        </tr>

        <tr>

            <td>

            Blog

            </td>

            <td>

            <a href="http://www.blogs.com/hongten">http://www.blogs.com/hongten</a>

            </td>

            <td>

            QQ

            </td>

            <td>

            648719819

            </td>

        </tr>

    </table>

 </body>

</html>

##################################################

遇到声明:DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd" 开始处理:DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd"

遇到数据:

 开始处理:

遇到起始标签:html 开始处理:html

遇到数据:

  开始处理:

遇到起始标签:head 开始处理:head

遇到数据:

   开始处理:

遇到起始标签:title 开始处理:title

遇到数据: Python Html module  开始处理: Python Html module

遇到结束标签:title 开始处理:title

遇到数据:

   开始处理:

遇到起始标签:meta 开始处理:meta

遇到数据:

   开始处理:

遇到起始标签:meta 开始处理:meta

遇到数据:

   开始处理:

遇到起始标签:meta 开始处理:meta

遇到数据:

   开始处理:

遇到起始标签:meta 开始处理:meta

遇到数据:

  开始处理:

遇到结束标签:head 开始处理:head

遇到数据:

  开始处理:

遇到注释: this is  comment 开始处理: this is  comment

遇到数据:

  开始处理:

遇到起始标签:body 开始处理:body

遇到数据:

     开始处理:

遇到起始标签:table 开始处理:table

遇到数据:

         开始处理:

遇到起始标签:tr 开始处理:tr

遇到数据:

             开始处理:

遇到起始标签:td 开始处理:td

遇到数据:

            Author

             开始处理:

            Author

遇到结束标签:td 开始处理:td

遇到数据:

             开始处理:

遇到起始标签:td 开始处理:td

遇到数据:

            Hongten

             开始处理:

            Hongten

遇到结束标签:td 开始处理:td

遇到数据:

             开始处理:

遇到起始标签:td 开始处理:td

遇到数据:

            Mail

             开始处理:

            Mail

遇到结束标签:td 开始处理:td

遇到数据:

             开始处理:

遇到起始标签:td 开始处理:td

遇到数据:

            hongtenzone@foxmail.com

             开始处理:

            hongtenzone@foxmail.com

遇到结束标签:td 开始处理:td

遇到数据:

         开始处理:

遇到结束标签:tr 开始处理:tr

遇到数据:

         开始处理:

遇到起始标签:tr 开始处理:tr

遇到数据:

             开始处理:

遇到起始标签:td 开始处理:td

遇到数据:

            Blog

             开始处理:

            Blog

遇到结束标签:td 开始处理:td

遇到数据:

             开始处理:

遇到起始标签:td 开始处理:td

遇到数据:

             开始处理:

遇到起始标签:a 开始处理:a

遇到数据:http://www.blogs.com/hongten 开始处理:http://www.blogs.com/hongten

遇到结束标签:a 开始处理:a

遇到数据:

             开始处理:

遇到结束标签:td 开始处理:td

遇到数据:

             开始处理:

遇到起始标签:td 开始处理:td

遇到数据:

            QQ

             开始处理:

            QQ

遇到结束标签:td 开始处理:td

遇到数据:

             开始处理:

遇到起始标签:td 开始处理:td

遇到数据:

            648719819

             开始处理:

            648719819

遇到结束标签:td 开始处理:td

遇到数据:

         开始处理:

遇到结束标签:tr 开始处理:tr

遇到数据:

     开始处理:

遇到结束标签:table 开始处理:table

遇到数据:

  开始处理:

遇到结束标签:body 开始处理:body

遇到数据:

 开始处理:

遇到结束标签:html 开始处理:html

遇到数据:

 开始处理:

>>>

HTMLParser会对html文档进行解析处理

=============================================

代码部分：

=============================================

 #python html.parser

 #Author  : Hongten

 #Mailto  : hongtenzone@foxmail.com

 #Blog    : http://www.cnblogs.com/hongten

 #QQ      : 648719819

 #Create  ： 2013-08-26

 #Version : 1.0

 import os

 from html.parser import HTMLParser

 '''

     在HTMLParser类中，定义了很多的方法，但是很多方法都是没有实现的，

     这需要我们继承HTMLParser类，自己去实现一些方法

     如：

     # Overridable -- handle start tag

     def handle_starttag(self, tag, attrs):

         pass

     # Overridable -- handle end tag

     def handle_endtag(self, tag):

         pass

     # Overridable -- handle character reference

     def handle_charref(self, name):

         pass

     # Overridable -- handle entity reference

     def handle_entityref(self, name):

         pass

     # Overridable -- handle data

     def handle_data(self, data):

         pass

     # Overridable -- handle comment

     def handle_comment(self, data):

         pass

     # Overridable -- handle declaration

     def handle_decl(self, decl):

         pass

     # Overridable -- handle processing instruction

     def handle_pi(self, data):

         pass

 '''

 #global var

 HTML_FILE = ''

 HTML_STR = ''

 class MyHTMLParser(HTMLParser):

     '''

     MyHTMLParser类继承HTMLParser类，

     然后去实现HTMLParser的一些方法

     '''

     def handle_starttag(self, tag, attrs):

         print("遇到起始标签:{} 开始处理:{}".format(tag, tag))

     def handle_endtag(self, tag):

         print("遇到结束标签:{} 开始处理:{}".format(tag, tag))

     def handle_data(self, data):

         print("遇到数据:{} 开始处理:{}".format(data, data))

     def handle_comment(self, data):

         print('遇到注释:{} 开始处理:{}'.format(data, data))

     def handle_decl(self, decl):

         print('遇到声明:{} 开始处理:{}'.format(decl, decl))

 def parser_test(html_str):

     '''解析html源文件'''

     parser = MyHTMLParser(strict =  False)

     parser.feed(html_str)

     parser.close()

 def read_html_file(path):

     '''读取html文件源文件信息'''

     content = ''

     if os.path.exists(path):

         print('开始读取文件:[{}]'.format(path))

         with open(path, 'r') as pf:

             for line in pf:

                 content += line

             pf.close()

             return content

     else:

         print('the path [{}] dosen\'t exist!'.format(path))

         return content

 def init():

     #html源文件位置

     global HTML_FILE

     HTML_FILE = 'c:\\test\\hongten.html'

     #html源文件的内容

     global HTML_STR

     HTML_STR = read_html_file(HTML_FILE)

 def main():

     init()

     print('源html:\n{}'.format(HTML_STR))

     print('#' * 50)

     parser_test(HTML_STR)

 if __name__ == '__main__':

     main()

python开发_HTMLParser_html文档解析的更多相关文章

python开发_tarfile_文档归档压缩|解压缩
''' python中的tarfile模块实现文档的归档压缩和解压缩功能: 把工作空间下面的所有文件,打包生成一个tar文件同时提供一个方法把该tar文件中的一些文件解压缩到指定的目录中 ''' ...
【转】Python之xml文档及配置文件处理（ElementTree模块、ConfigParser模块）
[转]Python之xml文档及配置文件处理(ElementTree模块.ConfigParser模块) 本节内容前言 XML处理模块 ConfigParser/configparser模块总结 ...
ios-XML文档解析之SAX解析
首先SAX解析xml *xml文档的格式特点是节点,大体思路是把每个最小的子节点作为对象的属性,每个最小子节点的'父'节点作为对象,将节点转化为对象,输出. 每个节点都是成对存在的,有开始有结束.有始 ...
WEB前端开发规范文档（转）
http://codeguide.bootcss.com/ 编写灵活.稳定.高质量的 HTML 和 CSS 代码的规范上面的文档再结合下面的规范: 无论是从技术角度还是开发视角,对于web前端开发 ...
python+selenium自动化软件测试(第12章)：Python读写XML文档
XML 即可扩展标记语言,它可以用来标记数据.定义数据类型,是一种允许用户对自己的标记语言进行定义的源语言.xml 有如下特征: 首先,它是有标签对组成:<aa></aa> ...
网站开发进阶(三十八)Web前端开发规范文档你需要知道的事
Web前端开发规范文档你需要知道的事规范目的为提高团队协作效率, 便于后台人员添加功能及前端后期优化维护, 输出高质量的文档, 特制订此文档. 本规范文档一经确认, 前端开发人员必须按本文档规范进 ...
Web前端开发规范文档你需要知道的事
Web前端开发规范文档你需要知道的事规范目的为提高团队协作效率, 便于后台人员添加功能及前端后期优化维护, 输出高质量的文档, 特制订此文档. 本规范文档一经确认, 前端开发人员必须按本文档规范进 ...
WEB前端开发规范文档[转]
为新项目写的一份规范文档, 分享给大家. 我想前端开发过程中, 无论是团队开发, 还是单兵做站, 有一份开发文档做规范, 对开发工作都是很有益的. 本文档由本人编写, 部分意见来源于网络, 以此感谢, ...
使用Python操作Excel文档（一）
Python | 使用Python操作Excel文档(一) 0 前言在阅读本文之前,请确保您已满足或可能满足以下条件: 请确保您具备基本的Python编程能力. 请确保您会使用Excel. 请确保您 ...

随机推荐

linux 获取时间后--自定义时间格式
自定义时间格式 =================================-===================================== #include <stdio.h ...
解决修改表结构，添加外键时出现“约束冲突”的错误
由于表结构更改,使用新建表,现有部分表需要更改外键,将引用更改到新建表的相应字段.在更改过程中,部分表出现如下错误提示: ALTER TABLE 语句与 COLUMN FOREIGN KEY 约束 ' ...
Python之内建函数Map,Filter和Reduce
Python进阶 map,filter, reduce是python常用的built-in function. 且常与lambda表达式一起用. 其中: map 形式:map(function_to_ ...
java 读取配置文件类
import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.IOException; im ...
Spring框架的基本使用(AOP部分)
AOP,Aspect Oriented Programming,意为面向切面编程,是通过预编译方式和运行期间动态代理实现程序功能的统一维护的一种技术.AOP采取横向抽取机制,取代了传统纵向继承体系重复 ...
angular可自定义的对话框,弹窗指令
指令不明的,推荐 AngularJS指令参数详解 github地址以下为示例代码 <!DOCTYPE html> <html lang="en" ng-app= ...
ZOJ 3962 Seven Segment Display（数位DP）
题目链接:http://acm.zju.edu.cn/onlinejudge/showProblem.do?problemCode=3962 题目大意: 有t组数据. 给你一个n,和8位的十六进制数s ...
hdu 4788 (2013成都现场赛 H题)
100MB=10^5KB=10^8B 100MB=100*2^10KB=100*2^20B Sample Input2100[MB]1[B] Sample OutputCase #1: 4.63%Ca ...
hdu 5112 (2014北京现场赛 A题)
给出某个时刻对应的速度求出相邻时刻的平均速度输出最大值 Sample Input23 // n2 2 //t v1 13 430 31 52 0 Sample OutputCase #1: 2.0 ...
mongo 常用操作命令
表的帮助,格式:db.表名.help() db.test.find({id:10}) 返回test数据集ID=10的数据集 db.test.find({id:10}).count ...

python开发_HTMLParser_html文档解析

python开发_HTMLParser_html文档解析的更多相关文章

随机推荐

热门专题