python - 如何使用 Python HTML Parser 提取特定链接

Question

我一直在使用 HTMLParser 类在 Python 中开发一个基本的网络爬虫。我使用修改后的 handle_starttag 方法获取我的链接，如下所示:

def handle_starttag(self, tag, attrs):
    if tag == 'a':
        for (key, value) in attrs:
            if key == 'href':
                newUrl = urljoin(self.baseUrl, value)
                self.links = self.links + [newUrl]

当我想找到页面上的每个 链接时，这种方法非常有效。现在我只想获取某些链接。

我将如何只获取 <td class="title"> 之间的链接？和 </td>标签，像这样:

<td class="title"><a href="http://www.stackoverflow.com">StackOverflow</a><span class="comhead"> (arstechnica.com) </span></td>

Answer 1

HTMLParser 是一种 SAX 样式或流式解析器，这意味着您在解析文档时获取文档的各个部分，而不是一次获取整个文档。解析器调用您提供的方法来处理标签和其他类型的数据。您可能感兴趣的任何上下文，例如哪些标签在其他标签内，您必须从您看到的经过的标签中收集。

例如，如果您看到 <td>标签，那么您就知道您在表格单元格中，并且可以为此效果设置一个标志。当你看到 </td> ，您知道您已经离开了一个表格单元格并且可以清除该标志。 (实际上，您想使用一个计数器而不是一个简单的标志来允许嵌套表格，但我们会顺其自然。)

要获取表格单元格内的链接，那么，如果您看到 <a>你知道你在一个表格单元格中(因为你设置了那个标志)，你捕获了标签的值 href如果它有一个属性。

from HTMLParser import HTMLParser

class LinkExtractor(HTMLParser):

    def reset(self):
        HTMLParser.reset(self)
        self.extracting = False
        self.links      = []

    def handle_startag(self, tag, attrs):
        if tag == "td" or tag == "a":
            attrs = dict(attrs)   # save us from iterating over the attrs
        if tag == "td" and attrs.get("class", "") == "title":
            self.extracting = True
        elif tag == "a" and "href" in attrs and self.extracting:
            self.links.append(attrs["href"])

    def handle_endtag(self, tag):
        if tag == "td":
            self.extracting = False

这很快就会变得很痛苦，因为您需要越来越多的上下文才能从文档中获得所需内容，这就是人们推荐 lxml 的原因和 BeautifulSoup .这些是 DOM 样式的解析器，可以为您跟踪文档层次结构并提供各种友好的导航方式，例如 DOM API、XPath 和/或 CSS 选择器。

顺便说一句，我最近回答了一个类似的问题here .