分享一个解析html的python的框架--AdvancedHTMLParser

时间 2019-11-09

标签分享一个解析 html python 框架 advancedhtmlparser 栏目 HTML 繁體版

原文原文链接

最近在研究python爬虫,这方面的库也很多,但大多都用不顺手.
今天在github上搜索时发现了这个框架,其用法很简单,和javascript操做DOM几乎同样,刚使用了下,感受很好用,框架也不大,不算文档70多k,安装也很方便.因此就分享给你们.
地址:https://github.com/kata198/AdvancedHTMLParser
下载后,运行 python setup.py install
使用列子javascript

#coding=utf-8
import AdvancedHTMLParser
ht = '''
<!DOCTYPE HTML>
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312">
<title>网页标题</title>
</head>
<body>
<div class="link">
    <a class="sf" href="http://segmentfault.com/" >Segmentfault</a><br>
    <a href="http://segmentfault.com/u/missyou" >个人主页</a>
</div>
<div  id="testid" >div#testid</div>
<p>测试段落一</p>
<p>测试段落二</p>
<p>测试段落三</p>
<p>测试段落四</p>
</body>
</html>
'''
parser = AdvancedHTMLParser.AdvancedHTMLParser()
parser.parseStr(ht.decode('gbk').encode('utf-8'))
#我在windows下写的,因此这里转换了编码
#网页编码
print parser.encoding
#根据标签名获取元素
items = parser.getElementsByTagName("p")
for item in items:
    print item.innerHTML
#根据类名获取
items = parser.getElementsByClassName("link")
#获取a链接的文本和连接
print items[0].getElementsByClassName("sf")[0].innerHTML
print items[0].getElementsByClassName("sf")[0].getAttribute("href")
#根据id获取
print parser.getElementById("testid").innerHTML

输出以下:
utf-8
测试段落一
测试段落二
测试段落三
测试段落四
Segmentfault
http://segmentfault.com/
div#testidhtml

是否是很方便呢.
本文同步发表在CSDN,转载请注明做者!java