分析html格式文件的标记
Python, 87 lines
Download
Copy to clipboard1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 | #coding:utf-8
#学习分析html。
mydir="c://html//"
f=file(mydir+"1.htm")
in_data=f.read()
#print in_data
f.close()
in_data="<html><head>wo</head><script>weofewf</script></html>"
#检查下文件是不是得到了
import HTMLParser
class MyParser(HTMLParser.HTMLParser):
def __init__(self):
HTMLParser.HTMLParser.__init__(self)
self.script=[]
self.li=[]
self.flag=1
## #输出所有的链接的东西
## def handle_starttag(self, tag, attrs):
## # 这里重新定义了处理开始标签的函数
## if tag == 'a':
## # 判断标签<a>的属性
## for name,value in attrs:
## if name == 'href':
## print value
## #处理文档类型声明
## def handle_decl(self,decl):
## print decl
#处理标签中所夹的数据
def handle_data(self,data):
if self.flag==1:
self.script.append(data)
else:
self.li.append(data)
def handle_starttag(self, tag, attrs):
if tag=="<script>":
self.flag=1
else:
self.flag=0
def handle_endtag(self,tag):
print "<=="+tag
#输出所有的可见的文字。图片，链接，格式，排版全部去掉。
##MyParser类基于原来的类。但是我们根本没有写什么东西，为何
##还可以工作呢？显然所有的基本判断我们原来的类已经给我们分析了。
##
##
##但是我想把这些数据组合的拿出来，我应该如何做呢？
#我想把一个特定的标签中所夹的数据给显示出来，该如何做呢？
#handle_data把它遇到的所有的数据都显示出来了，不好，如何进行选择了。
my = MyParser()
# 传入要分析的数据，是html的。
#原来我们可以在已经存在的类上面添加我们自己的函数
my.feed(in_data)
print my.script
for i in my.li:
print i
|
Tags: html
