使用python提取html文件中的特定数据的实现代码

后 设置标记flag = False

当flag 为True时遇到

设置标记getdata = True

遇到

且getdata = True,设置getdata = False

python为我们提供了SGMLParser类，SGMLParser 将 HTML 分析成 8 类数据[1]，然后对每一类调用单独的方法:使用时只需继承SGMLParser 类，并编写页面信息的处理函数。

可用的处理函数如下：

---

• 开始标记 (Start tag)

是一个开始一个块的 HTML 标记，象 ，， 或

 等，或是一个独一的标记，象 
 或  等。当它找到一个开始标记 tagname，SGMLParser 将查找名为 _start_tagname_ 或 _dotagname 的方法。例如，当它找到一个 
 标记，它将查找一个 start_pre 或 do_pre 的方法。如果找到了，SGMLParser 会使用这个标记的属性列表来调用这个方法；否则，它用这个标记的名字和属性列表来调用 _unknownstarttag 方法。 

• 结束标记 (End tag)

是结束一个块的 HTML 标记，象 ，， 或 等。当找到一个结束标记时，SGMLParser 将查找名为_ endtagname 的方法。如果找到，SGMLParser 调用这个方法，否则它使用标记的名字来调用 _unknownendtag 。

• 字符引用 (Character reference)

用字符的十进制或等同的十六进制来表示的转义字符，象 。当找到，SGMLParser 使用十进制或等同的十六进制字符文本来调用_ handlecharref 。

• 实体引用 (Entity reference)

HTML 实体，象 (C)。当找到，SGMLParser 使用 HTML 实体的名字来调用 _handleentityref 。

• 注释 (Comment)

HTML 注释, 包括在 之间。当找到，SGMLParser 用注释内容来调用 _handlecomment。

• 处理指令 (Processing instruction)

HTML 处理指令，包括在 <? ... > 之间。当找到，SGMLParser 用处理指令内容来调用 _handlepi。

• 声明 (Declaration)

HTML 声明，如 DOCTYPE，包括在 <! ... >之间。当找到，SGMLParser 用声明内容来调用 _handledecl。

• 文本数据 (Text data)

文本块。不满足其它 7 种类别的任何东西。当找到，SGMLParser 用文本来调用 _handledata。

综上，的到如下代码

复制代码 代码如下:

from sgmllib import SGMLParser
class GetIdList(SGMLParser):
def reset(self):
self.IDlist = []
self.flag = False
self.getdata = False
SGMLParser.reset(self)

def start_div(self, attrs):  
    for k,v in attrs:#遍历div的所有属性以及其值  
        if k == 'class' and v == 'entry-content':#确定进入了<div class='entry-content'>  
            self.flag = True  
            return

def end_div(self):#遇到</div>  

self.flag = False

def start_p(self, attrs):  
    if self.flag == False:  
        return  
    self.getdata = True