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

2024年1月8日 150次阅读 来源: 偲念是壹種病

最近在研究python爬虫,这方面的库也不少,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操作DOM几乎一样,刚使用了下,感觉很好用,框架也不大,不算文档70多k,安装也很方便.所以就分享给大家.
地址:https://github.com/kata198/AdvancedHTMLParser
下载后,运行 python setup.py install
使用列子

#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" >我的主页</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,所以这里转换了编码
#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连接的文本和链接
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

输出如下:
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#testid

是不是很方便呢.
本文同步发表在CSDN,转载请注明作者!

    原文作者：偲念是壹種病
    原文地址: https://segmentfault.com/a/1190000003904406
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞