我的问题与HTMLParser的使用有关,但与一些 nast html 代码有关。
我有一个包含多个 html/css 条目的文件/网页,并且在某些行中,我得到了我需要解析以提取某些特定数据的 html 代码的这个经常重复的部分。
例如:
1)
第 66 号要提取
第 123456 号要从这条评论中提取
<h3 class="s KB8NC">66.&hsbc;
<!--
<A name="simp123456" href="text.php?p=1&i_simp_z_boc_nb_sec=123456&i_simp_s_vitrazka=1">
-->
ristill advocka, sygint: SURVE/123-021/11-2/XX</h3>
还有另一个成对出现的频繁条目:
2)由于要提取的空“数据”
编号123456
,
第一个条目将被忽略
<p class="monozzio"></p>
<p class="monozzio"><a href="text.php?p=1&pup;i_simp_z_boc_nb_sec=123456&pup;i_simp_s_vitrazka=1">monozzio...</a></p>
到目前为止,这是我的第一堂课,但它开始超出我的技能,任何帮助表示赞赏。
from HTMLParser import HTMLParser
class MyParser(HTMLParser):
def __init__(self):
HTMLParser.__init__(self)
self.recording = 0
self.data = []
def handle_starttag(self, tag, attributes):
if tag != 'p':
return
if self.recording:
self.recording += 1
return
for name, value in attributes:
if name == 'class' and value == 'monozzio':
break
else:
return
self.recording = 1
def handle_endtag(self, tag):
if tag == 'p' and self.recording:
self.recording -= 1
def handle_data(self, data):
if self.recording:
##############################
#here parse data to get 123456
##############################
self.data.append(data)
p = MyParser()
f = open('file.html', 'r')
htm = f.read()
p.feed(htm)
print '\n'.join(p.data)
p.close()