pythonhtml解析器

1. 如何使用python解析html文件

想要使用 Python 解析 HTML 文件，首先你需要明確目標：查找特定標簽內的內容、提取屬性信息、或是解析整個頁面結構。Python 提供了標准庫中的 `html.parser` 模塊，你可以基於此實現解析功能。下面將詳細解釋如何使用 Python 解析 HTML 文件。

實現解析通常涉及自定義一個繼承自 `HTMLParser` 的解析器類。此類將覆蓋一些方法，以便在解析過程中執行特定操作。以下代碼示例展示了基本的實現步驟。

python
from html.parser import HTMLParser
class MyHTMLParser(HTMLParser):
def __init__(self):
super().__init__()
self.tags = []
def handle_starttag(self, tag, attrs):
self.tags.append(tag)
def handle_endtag(self, tag):
self.tags.pop()

在這個解析器類 `MyHTMLParser` 中，我們重寫了 `handle_starttag` 和 `handle_endtag` 方法。每當遇到開始標簽或結束標簽時，`handle_starttag` 方法會將標簽添加到 `self.tags` 列表中，而 `handle_endtag` 方法則會從列表中移除最後一個標簽，從而幫助我們了解當前解析的標簽棧狀態。

接下來，需要在主程序中打開 HTML 文件並讀取其內容，然後創建解析器實例並調用 `feed` 方法來解析文件內容。

python
def parse_html(file_path):
with open(file_path, 'r') as file:
parser = MyHTMLParser()
parser.feed(file.read())
return parser.tags
# 使用示例：
tags = parse_html('example.html')
print(tags)

通過上述方法，你能夠實現基本的 HTML 解析功能。這只是一個簡單的示例，實際上你可以根據具體需求擴展解析器類，以執行更復雜的數據提取操作。例如，添加屬性提取、特定內容查找等功能，從而更靈活地處理 HTML 文件。

2. Python網頁解析庫：用requests-html爬取網頁

Python 中可以進行網頁解析的庫有很多，常見的有 BeautifulSoup 和 lxml 等。在網上玩爬蟲的文章通常都是介紹 BeautifulSoup 這個庫，我平常也是常用這個庫，最近用 Xpath 用得比較多，使用 BeautifulSoup 就不大習慣，很久之前就知道 Reitz 大神出了一個叫 Requests-HTML 的庫，一直沒有興趣看，這回可算歹著機會用一下了。

使用 pip install requests-html 安裝，上手和 Reitz 的其他庫一樣，輕松簡單：

這個庫是在 requests 庫上實現的，r 得到的結果是 Response 對象下面的一個子類，多個一個 html 的屬性。所以 requests 庫的響應對象可以進行什麼操作，這個 r 也都可以。如果需要解析網頁，直接獲取響應對象的 html 屬性：

不得不膜拜 Reitz 大神太會組裝技術了。實際上 HTMLSession 是繼承自 requests.Session 這個核心類，然後將 requests.Session 類里的 requests 方法改寫，返回自己的一個 HTMLResponse 對象，這個類又是繼承自 requests.Response,只是多加了一個 _from_response 的方法來構造實例：

之後在 HTMLResponse 里定義屬性方法 html，就可以通過 html 屬性訪問了,實現也就是組裝 PyQuery 來干。核心的解析類也大多是使用 PyQuery 和 lxml 來做解析，簡化了名稱，挺討巧的。

元素定位可以選擇兩種方式：

方法名非常簡單，符合 Python 優雅的風格，這里不妨對這兩種方式簡單的說明：

定位到元素以後勢必要獲取元素裡面的內容和屬性相關數據，獲取文本：

獲取元素的屬性：

還可以通過模式來匹配對應的內容：

這個功能看起來比較雞肋，可以深入研究優化一下，說不定能在 github 上混個提交。

除了一些基礎操作，這個庫還提供了一些人性化的操作。比如一鍵獲取網頁的所有超鏈接，這對於整站爬蟲應該是個福音，URL 管理比較方便：

內容頁面通常都是分頁的，一次抓取不了太多，這個庫可以獲取分頁信息：

結果如下：

通過迭代器實現了智能發現分頁，這個迭代器裡面會用一個叫 _next 的方法，貼一段源碼感受下：

通過查找 a 標簽裡面是否含有指定的文本來判斷是不是有下一頁，通常我們的下一頁都會通過 下一頁 或者 載入更多 來引導，他就是利用這個標志來進行判斷。默認的以列表形式存在全局： ['next','more','older'] 。我個人認為這種方式非常不靈活，幾乎沒有擴展性。 感興趣的可以往 github 上提交代碼優化。

也許是考慮到了現在 js 的一些非同步載入，這個庫支持 js 運行時，官方說明如下：

使用非常簡單，直接調用以下方法：

第一次使用的時候會下載 Chromium，不過國內你懂的，自己想辦法去下吧，就不要等它自己下載了。render 函數可以使用 js 腳本來操作頁面，滾動操作單獨做了參數。這對於上拉載入等新式頁面是非常友好的。