使用python提取html文件中的特定數據的實現代碼

2020-02-23 04:53:12

字體：大中小

來源：轉載

供稿：網友

例如具有如下結構的html文件

代碼如下:
<div class='entry-content'>
<p>感興趣內容1</p>
<p>感興趣內容2</p>
……
<p>感興趣內容n</p>
</div>
<div class='content'>
<p>內容1</p>
<p>內容2</p>
……
<p>內容n</p>
</div>

我們嘗試獲得'感興趣內容'

對于文本內容,我們保存到IDList中。
可是如何標記我們遇到的文本是感興趣的內容呢，也就是，處于
代碼如下:
<div class='entry-content'>
<p>這里的內容</p>
<p>還有這里</p>
……
<p>以及這里的內容</p>
</div>

思路如下

遇到<div class='entry-content'> 設置標記flag = True 遇到</div>后設置標記flag = False 當flag 為True時遇到<p> 設置標記getdata = True 遇到</p> 且getdata = True,設置getdata = False

python為我們提供了SGMLParser類，SGMLParser 將 HTML 分析成 8 類數據[1]，然后對每一類調用單獨的方法:使用時只需繼承SGMLParser 類，并編寫頁面信息的處理函數。

可用的處理函數如下：

開始標記 (Start tag)

是一個開始一個塊的 HTML 標記，象 <html>，<head>，<body> 或 <pre> 等，或是一個獨一的標記，象 <br> 或 <img> 等。當它找到一個開始標記 tagname，SGMLParser 將查找名為 start_tagname 或 do_tagname 的方法。例如，當它找到一個 <pre> 標記，它將查找一個 start_pre 或 do_pre 的方法。如果找到了，SGMLParser 會使用這個標記的屬性列表來調用這個方法；否則，它用這個標記的名字和屬性列表來調用 unknown_starttag 方法。

結束標記 (End tag)

是結束一個塊的 HTML 標記，象 </html>，</head>，</body> 或 </pre> 等。當找到一個結束標記時，SGMLParser 將查找名為 end_tagname 的方法。如果找到，SGMLParser 調用這個方法，否則它使用標記的名字來調用 unknown_endtag 。

字符引用 (Character reference)