【python】使用HTMLParser、cookielib抓取和解析网页、从HTML文档中提取链接、图像、文本、Cookies

一、从HTML文档中提取链接

模块HTMLParser，该模块使我们能够根据HTML文档中的标签来简洁、高效地解析HTML文档。

处理HTML文档的时候，我们常常需要从其中提取出所有的链接。使用HTMLParser模块后，这项任务将变得易如反掌。首先，我们需要定义 一个新的HTMLParser类，以覆盖handle_starttag()方法，我们将使用这个方法来显示所有标签的HRef属性值。

定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。然后，就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。

为了解析HTML文件的内容并显示包含其中的链接，可以使用read()函数将数据传递给HTMLParser对象。HTMLParser对象 的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。需要注意，如果传给HTMLParser的feed()函数的数 据不完整的话，那么不完整的标签会保存下来，并在下一次调用feed()函数时进行解析。当HTML文件很大，需要分段发送给解析器的时候，这个功能就会 有用武之地了。下面是一个具体的例子。

# -*- coding: UTF-8 -*-

__author__ = 'paul'

import HTMLParser

import urllib

import sys

#定义HTML解析器

class parseLinks(HTMLParser.HTMLParser):

    def handle_starttag(self, tag, attrs):

        if tag == 'a':##显示标签为a

            for name,value in attrs:

                if name == 'href':#显示属性为href

                    print value##显示标签属性值

                    print self.get_starttag_text()##全部显示

#创建HTML解析器的实例

lParser = parseLinks()

#打开HTML文件

lParser.feed(urllib.urlopen( "http://www.python.org/index.html").read())

lParser.close()

二、从HTML文档中提取图像

定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。然后，就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。

为了解析HTML文件的内容并显示包含其中的图像，可以使用feed(data)函数将数据发送至HTMLParser对象。HTMLParser对象的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。下面是一个具体的示例：

# -*- coding: UTF-8 -*-

__author__ = 'paul'

import HTMLParser

import urllib

import sys

urlString = "http://www.python.org"

#urlString = "http://www.baidu.com"

#把图像文件保存至硬盘

def getImage(addr):

    u = urllib.urlopen(addr)

    data = u.read()

    splitPath = addr.split('/')

    fName = splitPath.pop()

    print "Saving %s" % fName

    f = open(fName, 'wb')

    f.write(data)

    f.close()

    #定义HTML解析器

class parseImages(HTMLParser.HTMLParser):

    def handle_starttag(self, tag, attrs):

        if tag == 'img':

            for name,value in attrs:

                if name == 'src':

                    #value1=value[2:]

                    #print value1

                    print self.get_starttag_text()

                    getImage(urlString + "/" + value)##当图片的src为相对路径时需要拼接

                    #getImage("http://"+value1)##当图片的src为相对路径时，直接使用绝对路径即可，但是需要注意的是，urllib.urlopen需要添加链接的协议如http://或者https://等等

#创建HTML解析器的实例

lParser = parseImages()

#打开HTML文件

u = urllib.urlopen(urlString)

print "Opening URL/n===================="

print u.info()

#把HTML文件传给解析器

lParser.feed(u.read())

lParser.close()

三、从HTML文档中提取文本

　　处理HTML文档的时候，我们常常需要从其中提取出所有的文本。使用HTMLParser模块后，这项任务将变得非常简单了。首先，我们需要定义一个新的HTMLParser类，以覆盖handle_data()方法，该方法是用来解析并文本数据的。

# -*- coding: UTF-8 -*-

__author__ = 'paul'

import HTMLParser

import urllib

urlText = []

#定义HTML解析器

class parseText(HTMLParser.HTMLParser):

    def handle_data(self, data):

        if data != '/n':

            urlText.append(data)

#创建HTML解析器的实例

lParser = parseText()

#把HTML文件传给解析器

lParser.feed(urllib.urlopen( "http://www.baidu.com").read())

lParser.close()

for item in urlText:

    print item

　四、从HTML文档中提取Cookies

为了从HTML文档提取cookies，首先得使用cookielib模块的LWPCookieJar()函数创建一个cookie jar的实例。LWPCookieJar()函数将返回一个对象，该对象可以从硬盘加载Cookie，同时还能向硬盘存放Cookie。

　　接下来，使用urllib2模块的build_opener([handler, . . .])函数创建一个opener对象，当HTML文件打开时该对象将处理cookies。函数build_opener可以接收零个或多个处理程序(这些 程序将按照它们被指定的顺序连接在一起)作为参数并返回一个。

　　注意，如果想让urlopen()使用opener对象来打开HTML文件的话，可以调用install_opener(opener)函数，并将opener对象传给它。否则，请使用opener对象的open(url)函数来打开HTML文件。

　　一旦已经创建并安装了opener对象，就可以使用urllib2模块中的Request(url)函数来创建一个Request对象，然后就能使用urlopen(Request)函数来打开HTML文件了。

　　打开HTML页面后，该页面的所有Cookie将被存放到LWPCookieJar对象中，之后，您可以使用LWPCookieJar对象的save(filename)函数了。

# -*- coding: UTF-8 -*-

__author__ = 'paul'

import os

import urllib2

import cookielib

from urllib2 import urlopen, Request

cookieFile = "cookies.dat"

testURL = 'http://www.baidu.com/'

#为cookie jar 创建实例

cJar = cookielib.LWPCookieJar()

#创建HTTPCookieProcessor的opener对象

opener = urllib2.build_opener( urllib2.HTTPCookieProcessor(cJar))

#安装HTTPCookieProcessor的opener

urllib2.install_opener(opener)

#创建一个Request对象

r = Request(testURL)

#打开HTML文件

h = urlopen(r)

print "页面的头部/n======================"

print h.info()

print "页面的Cookies/n======================"

print cJar

for ind, cookie in enumerate(cJar):

    print "%d - %s" % (ind, cookie)

    #保存cookies

    cJar.save(cookieFile)

五、为HTML文档中的属性值添加引号

# -*- coding: UTF-8 -*-

__author__ = 'paul'

import HTMLParser

import urllib

import sys

#定义HTML解析器

class parseAttrs(HTMLParser.HTMLParser):

    def init_parser (self):

        self.pieces = []

    def handle_starttag(self, tag, attrs):

        fixedAttrs = ""

    #for name,value in attrs:

        for name, value in attrs:

            fixedAttrs += "%s=\"%s\" " % (name, value)

            self.pieces.append("<%s %s>" % (tag, fixedAttrs))

    def handle_charref(self, name):

        self.pieces.append("&#%s;" % (name))

    def handle_endtag(self, tag):

        self.pieces.append("%s" % (tag))

    def handle_entityref(self, ref):

        self.pieces.append("&%s" % (ref))

    def handle_data(self, text):

        self.pieces.append(text)

    def handle_comment(self, text):

        self.pieces.append("s%" % (text))

    def handle_pi(self, text):

        self.pieces.append("s%"% (text))

    def handle_decl(self, text):

        self.pieces.append("s%" % (text))

    def parsed (self):

        return "".join(self.pieces)

#创建HTML解析器的实例

attrParser = parseAttrs()

#初始化解析器数据

attrParser.init_parser()

#把HTML文件传给解析器

attrParser.feed(urllib.urlopen("test2.html").read())

#显示原来的文件内容

print "原来的文件/n========================"

print open("test2.html").read()

#显示解析后的文件

print "解析后的文件/n========================"

print attrParser.parsed()

attrParser.close()