python怎样提取html特定标签的特定数据？

yyccrasher · 发表于 2006-9-4 22:48:50

比如我想提取一个html页面，其中所有被包含在<td>标签里面的数据？

ideawu · 发表于 2006-9-6 12:19:21

如果是字符级别的, 应该用正则表达式, 不过我没用过Python所以无法详细说.
如果是DOM级别的, 使用DOM(XML)的Python绑定.

Dasn · 发表于 2006-9-6 17:35:22

A dirty snippet:

#!/usr/bin/env python
from sgmllib import SGMLParser
s = """
<html>
<head>what's in</head>
<td> hello
<td> table1 blahblah </td>
<td> table </td>
</td>
ok the end blah
</html>
"""
class Parse(SGMLParser):
def reset(self):
self.found_td = 0
SGMLParser.reset(self)
def start_td(self, attrs):
self.found_td += 1
def end_td(self):
self.found_td -= 1
def handle_data(self, text):
if self.found_td > 0:
print 'Data: %s' % text
p = Parse()
p.feed(s)

复制代码

For more info:
http://www.diveintopython.org/html_processing/index.html

crquan · 发表于 2006-9-6 20:50:54

使用HTMLParser吧，是SGMLParser的继承类，针对解析HTML的任务更方便直接一点，

这里有一个例子：
通过baidu下载mp3的脚本，Python版
http://www.bsdlife.org/wiki/inde ... C%8CPython%E7%89%88

yyccrasher · 发表于 2006-9-7 00:21:10

:thank

明白了，原来要每个标签设一个标记，然后在handle_date里面判断读取。

hairui · 发表于 2007-9-1 11:14:42

Post by crquan
使用HTMLParser吧，是SGMLParser的继承类，针对解析HTML的任务更方便直接一点，

通过Baidu查到了这个1年前的帖子，因为正好在思考相关问题，所以把这个帖子顶出来，权当发新贴了

这位朋友说 HTMLParser 是对 SGMLParser 的继承类，呵呵，没有认真看源码吧？

以前的版本我不知道，我查看2.5版的代码发现两个都基于 markupbase.Parserbase

并非继承关系，而是兄弟姐妹：）

两个类实现的函数虽然大体思路相同，但确实还有不小的差别

xdlz · 发表于 2007-9-24 13:41:53

三楼正解~~

		自动登录	找回密码
密码			注册