python解析html提取数据，并生成word文档实例解析

简介

今天试着用ptyhon做了一个抓取网页内容，并生成word文档的功能，功能很简单，做一下记录以备以后用到。

生成word用到了第三方组件python-docx，所以先进行第三方组件的安装。由于windows下安装的python默认不带setuptools这个模块，所以要先安装setuptools这个模块。

安装

1、在python官网上找到https://bootstrap.pypa.io/ez_setup.py，把代码保存到本地并执行: python ez_setup.py

2、下载python-docx (https://pypi.python.org/pypi/python-docx/0.7.4)，下载完成后解压并进入到XXX\python-docx-0.7.4安装python-docx :python setup.py install

这样python-docx就安装成功了，可以用它来操作word文档了，word文档的生成参考的这里https://python-docx.readthedocs.org/en/latest/index.html

html解析用到的是sgmllib里的SGMLParserurl内容的获取用到的是urllib、urllib2

实现代码

# -*- coding: cp936 -*-
from sgmllib import SGMLParser
import os
import sys
import urllib
import urllib2
from docx import Document
from docx.shared import Inches
import time
##获取要解析的url
class GetUrl(SGMLParser):
 def __init__(self):
   SGMLParser.__init__(self)
   self.start=False
   self.urlArr=[]
def start_div(self,attr):
   for name,value in attr:
     if value=="ChairmanCont Bureau":#页面js中的固定值
       self.start=True
def end_div(self):
   self.start=False
def start_a(self,attr):
   if self.start:
     for name,value in attr:
       self.urlArr.append(value)
def getUrlArr(self):
   return self.urlArr
##解析上面获取的url，获取有用数据
class getManInfo(SGMLParser):
 def __init__(self):
   SGMLParser.__init__(self)
   self.start=False
   self.p=False
   self.dl=False
   self.manInfo=[]
   self.subInfo=[]
def start_div(self,attr):
   for name,value in attr:
     if value=="SpeakerInfo":#页面js中的固定值
       self.start=True
def end_div(self):
   self.start=False
def start_p(self,attr):
   if self.dl:
     self.p=True
def end_p(self):
   self.p=False
def start_img(self,attr):
   if self.dl:
     for name,value in attr:
       self.subInfo.append(value)
def handle_data(self,data):
   if self.p:
     self.subInfo.append(data.decode('utf-8'))
def start_dl(self,attr):
   if self.start:
     self.dl=True
def end_dl(self):
   self.manInfo.append(self.subInfo)
   self.subInfo=[]
   self.dl=False
def getManInfo(self):
   return self.manInfo
urlSource="http://www.XXX"
sourceData=urllib2.urlopen(urlSource).read()
startTime=time.clock()
##get urls
getUrl=GetUrl()
getUrl.feed(sourceData)
urlArr=getUrl.getUrlArr()
getUrl.close()
print "get url use:" + str((time.clock() - startTime))
startTime=time.clock()
##get maninfos
manInfos=getManInfo()
for url in urlArr:#one url one person
 data=urllib2.urlopen(url).read()
 manInfos.feed(data)
infos=manInfos.getManInfo()
manInfos.close()
print "get maninfos use:" + str((time.clock() - startTime))
startTime=time.clock()
#word
saveFile=os.getcwd()+"\\xxx.docx"
doc=Document()
##word title
doc.add_heading("HEAD".decode('gbk'),0)
p=doc.add_paragraph("HEADCONTENT:".decode('gbk'))
##write info
for infoArr in infos:
 i=0
 for info in infoArr:
   if i==0:##img url
     arr1=info.split('.')
     suffix=arr1[len(arr1)-1]
     arr2=info.split('/')
     preffix=arr2[len(arr2)-2]
     imgFile=os.getcwd()+"\\imgs\\"+preffix+"."+suffix
     if not os.path.exists(os.getcwd()+"\\imgs"):
       os.mkdir(os.getcwd()+"\\imgs")
     imgData=urllib2.urlopen(info).read()
try:
       f=open(imgFile,'wb')
       f.write(imgData)
       f.close()
       doc.add_picture(imgFile,width=Inches(1.25))
       os.remove(imgFile)
     except Exception as err:
       print (err)
elif i==1:
     doc.add_heading(info+":",level=1)
   else:
     doc.add_paragraph(info,style='ListBullet')
   i=i+1
doc.save(saveFile)
print "word use:" + str((time.clock() - startTime))

总结

来源：http://blog.csdn.net/how8586/article/details/39399217