匿名用户不能发表回复！|
每天回帖即可获得10分可用分！小技巧：
你还可以输入10000个字符
(Ctrl+Enter)
请遵守CSDN，不得违反国家法律法规。
转载文章请注明出自“CSDN（www.csdn.net）”。如是商业用途请联系原作者。利用Python抓取和解析网页（转载）
这是我写爬虫的时候搜到的一篇比较不错的文章
讲的还是比较详细 虽然代码有部分缩进错误 稍微修改下就可以有很好的效果了 于是我就脸皮厚的贴了过来 收藏吧算是
对搜索引擎、文件索引、文档转换、数据检索、站点备份或迁移等应用程序来说，经常用到对网页(即HTML文件)的解析处理。事实上，通过Python语言提供的各种模块，我们无需借助Web服务器或者Web浏览器就能够解析和处理HTML文档。本文上篇中，我们介绍了一个可以帮助简化打开位于本地和Web上的HTML文档的Python模块。在本文中，我们将论述如何使用Python模块来迅速解析在HTML文件中的数据，从而处理特定的内容，如链接、图像和Cookie等。同时还会介绍如何规范HTML文件的格式标签。
　　一、(1)从HTML文档中提取链接
　　Python语言还有一个非常有用的模块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。所以，在处理HTML文档的时候，HTMLParser是最常用的模块之一。
import HTMLParser
import urllib
import sys
parseLinks(HTMLParser.HTMLParser):
def handle_starttag(self,
tag, attrs):
if tag == 'a':
for name,value in
if name == 'href':
print value
self.get_starttag_text()
parseLinks()
lParser.feed(urllib.urlopen(url).read())
& & (2)从网页中提取文本
import HTMLParser
import urllib
import sys
urlText = []
class parseText(HTMLParser.HTMLParser):
def handle_data(self, data):
if data != '\n':
urlText.append(data)
lParser = parseText()
lParser.feed(urllib.urlopen(url).read())
lParser.close()
fp = open("/home/zhou/web text.txt","w")
for item in urlText:
print item
fp.write(item)
fp.close()
（3）将网页保存下来
urlText = urllib.urlopen(url)
content = urlText.read()
fp = open("/home/zhou/web.html","w")
fp.write(content)
fp.close()
　二、从HTML文档中提取图像
　　处理HTML文档的时候，我们常常需要从其中提取出所有的图像。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，该方法的作用是查找img标签，并保存src属性值所指的文件。
　　import&HTMLParser
　　import&urllib
　　def&getImage(addr):
　　u&=&urllib.urlopen(addr)
　　data&=&u.read()
　　class&parseImages(HTMLParser.HTMLParser):
　　def&handle_starttag(self,
tag, attrs):
　　if&tag&==&'img':
　　for&name,value&in&attrs:
　　if&name&==&'src':
　　getImage(urlString&+&"/"&+&value)
　　u&=&urllib.urlopen(urlString)
　　lParser.feed(u.read())
　　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：
　　import&HTMLParser
　　import&urllib
　　import&sys
　　urlString&=&"http://www.python.org"
　　#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':
　　getImage(urlString&+&"/"&+&value)
　　#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&<()
　　#把HTML文件传给解析器
　　lParser.feed(u.read())
　　lParser.close()
　　上述代码的运行结果如下所示：
　　Opening URL
　　====================
　　Date: Fri,&26&Jun&2009&10:54:49&GMT
　　Server: Apache/2.2.9&(Debian)
DAV/2&SVN/1.5.1&mod_ssl/2.2.9&OpenSSL/0.9.8g
mod_wsgi/2.3&Python/2.5.2
　　Last-Modified:
Thu,&25&Jun&2009&09:44:54&GMT
　　ETag:&"e7-46d"
　　Accept-Ranges: bytes
　　Content-Length:&18151
　　Connection: close
　　Content-Type: text/html
　　Saving python-logo.gif
　　Saving trans.gif
　　Saving trans.gif
　　Saving afnic.fr.png
&　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。
　　import&HTMLParser
　　import&urllib
　　class&parseText(HTMLParser.HTMLParser):
　　def&handle_data(self,
　　if&data&!=&'\n':
　　urlText.append(data)
　　lParser&=&parseText()
　　lParser.feed(urllib.urlopen( \
　　http://docs.python.org/lib/module-HTMLParser.html).read())
　　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文本，我们可以使用feed(data)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。要注意的是，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。下面是一个具体的代码示例：
　　import&HTMLParser
　　import&urllib
　　urlText&=&[]
　　#定义HTML解析器
　　class&parseText(HTMLParser.HTMLParser):
　　def&handle_data(self,
　　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://docs.python.org/lib/module-HTMLParser.html” \
　　).read())
　　lParser.close()
　　for&item&in&urlText:
　　print&item
　　上面代码的运行输出过长，在此略过
四、从HTML文档中提取Cookies
　　很多时候，我们都需要处理Cookie，幸运的是Python语言的cookielib模块为我们提供了许多自动处理在HTML中的HTTP
Cookie的类。当处理要求为客户端设置Cookie的HTML文档的时候，这些类对我们非常有用。
　　import&urllib2
　　import&cookielib
　　from&urllib2&import&urlopen,
　　cJar&=&cookielib.LWPCookieJar()
　　opener=urllib2.build_opener( \
　　urllib2.HTTPCookieProcessor(cJar))
　　urllib2.install_opener(opener)
　　r&=&Request(testURL)
　　h&=&urlopen(r)
　　for&ind,
cookie&in&enumerate(cJar):
　　print&"%d
- %s"&%&(ind,
　　cJar.save(cookieFile)
　　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。
　　import&os
　　import&urllib2
　　import&cookielib
　　from&urllib2&import&urlopen,
　　cookieFile&=&"cookies.dat"
　　testURL&=&'/'
　　#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&<()
　　print&"页面的Cookies\n======================"
　　for&ind,
cookie&in&enumerate(cJar):
　　print&"%d
- %s"&%&(ind,
　　#保存cookies
　　cJar.save(cookieFile)
　　上述代码的运行结果如下所示：
　　页面的头部
　　======================
　　Cache-Control: private
　　Content-Type: text/ charset=ISO-8859-1
　　Set-Cookie: PREF=ID=5d733:NW=1:TM=:LM=:S=frfx--b3xt73TaEA; expires=Sun,&26-Jun-2011&11:26:48&GMT;
path=/; domain=.
　　Date: Fri,&26&Jun&2009&11:26:48&GMT
　　Server: mfe
　　Expires: Fri,&26&Jun&2009&11:26:48&GMT
　　Transfer-Encoding: chunked
　　Connection: close
　　页面的Cookies
　　======================
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。