利用Python抓取和解析网页(下)

转载自：http://tech.it168.com/a2009/0707/601/000000601879_1.shtml

二、从HTML文档中提取图像

　　处理HTML文档的时候，我们常常需要从其中提取出所有的图像。使用HTMLParser模块后，这项任务将变得易如反掌。首先，我们需要定义一个新的HTMLParser类，以覆盖handle_starttag()方法，该方法的作用是查找img标签，并保存src属性值所指的文件。

　　import HTMLParser

　　import urllib

　　def getImage(addr):

　　u = urllib.urlopen(addr)

　　data = u.read()

　　class parseImages(HTMLParser.HTMLParser):

　　def handle_starttag(self, tag, attrs):

　　if tag
== 'img':

　　for name,value
in attrs:

　　if name
== 'src':

　　getImage(urlString +
"/"
+ value)

　　u = urllib.urlopen(urlString)

　　lParser.feed(u.read())

　　定义好新的HTMLParser类之后，需要创建一个实例来返回HTMLParser对象。然后，就可以使用urllib.urlopen(url)打开HTML文档并读取该HTML文件的内容了。

　　为了解析HTML文件的内容并显示包含其中的图像，可以使用feed(data)函数将数据发送至HTMLParser对象。HTMLParser对象的feed函数将接收数据，并通过定义的HTMLParser对象对数据进行相应的解析。下面是一个具体的示例：

　　import HTMLParser

　　import urllib

　　import sys

　　urlString =
"http://www.python.org"

　　#把图像文件保存至硬盘

　　def getImage(addr):

　　u = urllib.urlopen(addr)

　　data = u.read()

　　splitPath = addr.split('/')

　　fName = splitPath.pop()

　　print
"Saving %s"
% fName

　　f = open(fName,
'wb')

　　f.write(data)

　　f.close()

　　#定义HTML解析器

　　class parseImages(HTMLParser.HTMLParser):

　　def handle_starttag(self, tag, attrs):

　　if tag
== 'img':

　　for name,value
in attrs:

　　if name
== 'src':

　　getImage(urlString +
"/"
+ value)

　　#创建HTML解析器的实例

　　lParser = parseImages()

　　#打开HTML文件

　　u = urllib.urlopen(urlString)

　　print
"Opening URL\n===================="

　　print u.info()

　　#把HTML文件传给解析器

　　lParser.feed(u.read())

　　lParser.close()

　　上述代码的运行结果如下所示：

　　Opening URL

　　====================

　　Date: Fri, 26 Jun
2009
10:54:49 GMT

　　Server: Apache/2.2.9 (Debian) DAV/2
SVN/1.5.1 mod_ssl/2.2.9
OpenSSL/0.9.8g mod_wsgi/2.3 Python/2.5.2

　　Last-Modified: Thu,
25 Jun
2009 09:44:54
GMT

　　ETag: "105800d-46e7-46d29136f7180"

　　Accept-Ranges: bytes

　　Content-Length:
18151

　　Connection: close

　　Content-Type: text/html

　　Saving python-logo.gif

　　Saving trans.gif

　　Saving trans.gif

　　Saving afnic.fr.png