python 解析html文档模块HTMLPaeser

python中,有三个库可以解析html文本,HTMLParser,sgmllib,htmllib。他们的实现方法不通,但功能差不多。这三个库中 提供解析html的类都是基类,本身并不做具体的工作。他们在发现的元件后(如标签、注释、声名等),会调用相应的函数,这些函数必须重载,因为基类中不作处理。


用Python中自带的HTMLPaeser模块,解析下面的HTMl文件

要求:1、获取到每一个漏洞的名称,CVE号,风险值

            2、显示每一个漏洞单独显示,不要堆叠在一起

            3、只获取高风险的漏洞

<html>
<head>
<title>search</title>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312">
<LINK href="include/bbs.css" rel=stylesheet>
</head>
<body bgcolor="#ffffff" text="#000000" leftmargin="0" topmargin="0"><br>

<div id="Layer2" style="position:absolute; left:25%; top:99px; width:71%; height:265px; z-index:2; overflow: auto" class="bordernobackground">

    <table width="100%" border="0" height="29" align="center"  cellspacing="1" cellpadding="1" bordercolordark="#FFFFFF" bordercolorlight="#000000" class="a2">
	  
	  <tr class="a1" height="22">
        <td width="9%" class="a8">ID</td>
        <td class="a8">检测名称</td>
        <td width="14%" class="a8">CVE号</td>
        <td width="20%" class="a8">检测类别</td>
        <td width="15%" class="a8">风险级别</td>
      </tr>
	  
	  <tr class="a1" height="22">
        <td class="a9">1</td>
        <td class="a9">
          <a href="javascript:openwindow(0);">
          FTP缓冲区溢出</a>
        </td>
        <td class="a9">
         <a href=‘http://cve.mitre.org/cgi-bin/cvename.cgi?name=CVE-1999-0789‘ target=‘_blank‘> CVE-1999-0789</a>

        </td>
        <td class="a9">
          FTP测试
        </td>
        <td class="a9">
          <font color=#FF00FF>高风险</font>
        </td>
      </tr>
	  
	  <tr class="a1" height="22">
        <td class="a9">2</td>
        <td class="a9">
          <a href="javascript:openwindow(2);">
          AFS客户版本</a>
        </td>
        <td class="a9">
        </td>
        <td class="a9">
          信息获取测试
        </td>
        <td class="a9">
          <font color=#00CC00>信息</font>
        </td>
      </tr>
	  
	  <tr class="a1" height="22">
        <td class="a9">1</td>
        <td class="a9">
          <a href="javascript:openwindow(1);">
          ACC 路由器无需认证显示配置信息</a>
        </td>
        <td class="a9">
         <a href=‘http://cve.mitre.org/cgi-bin/cvename.cgi?name=CVE-1999-0383‘ target=‘_blank‘> CVE-1999-0383</a>

        </td>
        <td class="a9">
          网络设备测试
        </td>
        <td class="a9">
          <font color=#FFCC00>中风险</font>
        </td>
      </tr>
	  
	  <tr class="a1" height="22">
        <td class="a9">3</td>
        <td class="a9">
          <a href="javascript:openwindow(17);">
          Knox Arkeia 缓冲区溢出</a>
        </td>
        <td class="a9">
         <a href=‘http://cve.mitre.org/cgi-bin/cvename.cgi?name=CAN-1999-1534‘ target=‘_blank‘> CAN-1999-1534</a>

        </td>
        <td class="a9">
          杂项测试
        </td>
        <td class="a9">
          <font color=#FF00FF>高风险</font>
        </td>
      </tr>
	  
</table>

</div>
</body>
</html>

Python程序

html_get.py 

class CustomParser(HTMLParser.HTMLParser):
    ‘‘‘
    定义一个新的HTMLParser类,覆盖用到的方法 
    ‘‘‘
    cve_list = []
    sigle_cve = []
    selected = (‘table‘, ‘div‘, ‘tr‘, ‘td‘, ‘a‘,‘font‘)  #需要解析的标签
    selected_a = [‘table/div/tr/td/a‘]  #需要获取标签a数据的路径
    selected_font = [‘table/div/tr/td/font‘] #需要获取标签font数据的路径
    def reset(self):
        HTMLParser.HTMLParser.reset(self)
        self._level_stack = []

    def handle_starttag(self, tag, attrs):
        if tag in CustomParser.selected:
            self._level_stack.append(tag)
    def handle_endtag(self, tag):
        if self._level_stack and tag in CustomParser.selected and tag == self._level_stack[-1]:
            self._level_stack.pop()
    def handle_data(self, data):
        #我们将需要获取的数据放到一个list中,同时每一个漏洞的数据会放到一个小的listz中
        #如[[名称,CVE,风险],[名称,CVE,风险]],这里拿到的是全部HTML中的数据
        if "/".join(self._level_stack) in CustomParser.selected_a and not CustomParser.sigle_cve:
            print self._level_stack, data.decode(‘gbk‘).encode(‘utf-8‘)
            CustomParser.sigle_cve.append(data.decode(‘gbk‘).encode(‘utf-8‘).strip())
        elif "/".join(self._level_stack) in CustomParser.selected_a:
                print self._level_stack, data.decode(‘gbk‘).encode(‘utf-8‘).strip()
                CustomParser.sigle_cve.append(data.decode(‘gbk‘).encode(‘utf-8‘).strip())
        elif "/".join(self._level_stack) in CustomParser.selected_font and CustomParser.sigle_cve:
            print self._level_stack, data.decode(‘gbk‘).encode(‘utf-8‘).strip()
            CustomParser.sigle_cve.append(data.decode(‘gbk‘).encode(‘utf-8‘).strip())
            CustomParser.cve_list.append(CustomParser.sigle_cve)
            CustomParser.sigle_cve = []
if __name__ == ‘__main__‘:
    ‘‘‘
    读取,判断是否为高风险,是的打印出来
    ‘‘‘
    try:
        fd = open(‘test.html‘,‘r‘)
    except Exception,error:
        print error
    html_string = fd.read()
    ht = CustomParser()
    ht.feed(html_string)
    get_list = ht.cve_list
    for item in get_list:
        if item[-1] == ‘高风险‘: 
            print item
    fd.close()


参考链接:http://crquan.blogbus.com/logs/8269701.html

python 解析html文档模块HTMLPaeser,布布扣,bubuko.com

python 解析html文档模块HTMLPaeser

上一篇:poi excel自动转换成javabean 支持引用类型属性二级转换


下一篇:C++ 中的 Lambda 表达式