最新消息:

python 抓取分析 SGMLParser 实例

未分类 admin 3037浏览 0评论

数据:
希望 抓取
div > p id=’da’ > a text
和 div > p id=’da’ > html

[codesyntax lang=”html4strict”]
<div>
<p id=”tt”>
<a href=/tag/php>no no</a>
</p>
<p id=’da’>
<a href=/tag/php>php</a>
<a href=/tag/python>python</a>
<a href=/tag/vim>vim</a>
<a href=/tag/windows>windows</a>
<a href=/tag/wingide>wingide</a>
</p>
</div>
<p id=’da’>
<a href=/tag/wingide>hehe</a>
</p>
[/codesyntax]

希望结果为
[codesyntax lang=”python”]

$ python t.py
a_text: ["'php'", "'python'", "'vim'", "'windows'", "'wingide'"]

 div_html[0]:
 <p id="da">
    <a href="/tag/php">php</a>
    <a href="/tag/python">python</a>
    <a href="/tag/vim">vim</a>
    <a href="/tag/windows">windows</a>
   <a href="/tag/wingide">刘凯毅</a>
  </p>

[/codesyntax]

#说明
其实 SGMLParser 我感觉最关键的是
[codesyntax lang=”python”]

#/usr/lib/python2.5/sgmllib.py
# Internal — finish parsing of <tag/data/ (same as <tag>data</tag>)
def finish_shorttag(self, tag, data):
#而 finish_starttag finish_endtag 抓取会调用 end_* start_* 什么的
self.finish_starttag(tag, [])
self.handle_data(data)
self.finish_endtag(tag)

[/codesyntax]
代码:

[codesyntax lang=”python”]
#!python
#coding=UTF-8

from sgmllib import SGMLParser
class TestSGMLParser(SGMLParser):

def reset(self, verbose=0):
SGMLParser.reset(self)

#提取 a text ; div html
self.a_text=[]
self.div_html=[]

#寄存变量
self.data_text = “”
self.data_html = “”

#业务逻辑表示变量
#抓取 div > p id=”da” > a
#由于需要得到div p 的 html > test_div_p = 0 , 1 , 2
self.test_div=False
self.test_div_p=0
self.test_div_p_a=False

# 重写 handle_data
# 寄存变量 填充值
def handle_data(self, data):
self.data_text = self.data_text + data
if self.test_div_p :
self.data_html = self.data_html +data

# 重写 finish_starttag
# self.data_html 填充值
def finish_starttag(self, tag, attrs):
SGMLParser.finish_starttag(self, tag, attrs)
if self.test_div_p :
strattrs = “”.join([‘ %s=”%s”‘ % (key, value) for key, value in attrs])
self.data_html=self.data_html+”<%(tag)s%(strattrs)s>” % locals()

# 重写 finish_endtag
# self.data_html 填充值
def finish_endtag(self, tag):
SGMLParser.finish_endtag(self, tag)
if self.test_div_p == 2 :
self.data_html=self.data_html+”</%(tag)s>” % locals()
elif self.test_div_p == 1 :
self.data_html=self.data_html+”</%(tag)s>” % locals()
self.test_div_p = 0

# self.test_div 状态修改
def start_div(self, attrs):
self.test_div=True

# self.test_div 状态修改
# self.div_html 填充
def end_div(self):
if self.test_div :
self.div_html.append(self.data_html)
self.test_div=False

# self.test_div_p 状态修改 2 为可以填充
def start_p(self, attrs):
if self.test_div and attrs and ‘id’ in [ key for key, value in attrs ] and len([ value for key, value in attrs if key==’id’ and value==’da’])>0 :
self.test_div_p=2

# self.test_div_p 状态修改 1 为只能填充最后一次
def end_p(self):
if self.test_div_p == 2 :
self.test_div_p=1

# self.test_div_p_a 状态修改
def start_a(self, attrs):
self.data_text = “”
if self.test_div_p :
self.test_div_p_a=True

# self.test_div_p_a 状态修改
# self.a_text 填充
def end_a(self):
if self.test_div_p and self.test_div and self.test_div_p_a :
self.a_text.append(repr(self.data_text))
self.test_div_p_a=False

def close(self):
SGMLParser.close(self)

if __name__ == ‘__main__’:
try:
f = open(‘google.html’, ‘r’)
data = f.read()
x=TestSGMLParser()
x.feed(data)
x.close()
# 我这 gvim utf8 ; cygwin gbk ,转码 unicode( str , ‘utf8’).encode(‘gbk’)
print “a_text: %s n div_html[0]: n %s”%(x.a_text[:-1], unicode(x.div_html[0], ‘utf8’).encode(‘gbk’) )

except IOError, msg:
print file, “:”, msg
[/codesyntax]

页面抓取
抓取 pycurl + 分析用  SGMLParser + 验证码用 pytesser
下面就差算法了,抓取的准备工作终于要完成了。

转载请注明:爱开源 » python 抓取分析 SGMLParser 实例

您必须 登录 才能发表评论!