python抽取指定url页面的title方法


            今天简单使用了一下python的re模块和lxml模块，分别利用的它们提供的正则表达式和xpath来解析页面源码从中提取所需的title，xpath在完成这样的小任务上效率非常好，在这里之所以又使用了一下正则表达式是因为xpath在处理一些特殊的页面的时候会出现乱码的情况，当然这不是xpath的原因，而是页面本身编码，跟utf-8转码之间有冲突所致，这里看代码：





# !/usr/bin/python

#-*-coding:utf-8-*-

'''

功能：抽取指定url的页面内容中的title

'''

import re

import chardet

import urllib

from lxml import etree

def utf8_transfer(strs):

 '''

 utf8编码转换

 '''

 try:

  if isinstance(strs, unicode):

   strs = strs.encode('utf-8')

  elif chardet.detect(strs)['encoding'] == 'GB2312':

   strs = strs.decode("gb2312", 'ignore').encode('utf-8')

  elif chardet.detect(strs)['encoding'] == 'utf-8':

   strs = strs.decode('utf-8', 'ignore').encode('utf-8')

 except Exception, e:

  print 'utf8_transfer error', strs, e

 return strs

def get_title_xpath(Html):

 '''

 用xpath抽取网页Title

 '''

 Html = utf8_transfer(Html)

 Html_encoding = chardet.detect(Html)['encoding']

 page = etree.HTML(Html, parser=etree.HTMLParser(encoding=Html_encoding))

 title = page.xpath('/html/head/title/text()')

 try:

  title = title[0].strip()

 except IndexError:

  print 'Nothing'

 print title

def get_title(Html):

 '''

 用re抽取网页Title

 '''

 Html = utf8_transfer(Html)

 compile_rule = ur'<title>.*</title>'

 title_list = re.findall(compile_rule, Html)

 if title_list == []:

  title = ''

 else:

  title = title_list[0][7:-8]

 print title

if __name__ == '__main__':

	url = 'http://www.baidu.com'

	html = urllib.urlopen(url).read()

	new_html = utf8_transfer(html)

	try:

		get_title_xpath(new_html)

		get_title(new_html)

	except Exception, e:

		print e



下面是结果：

百度一下，你就知道

百度一下，你就知道

简单的小实践，继续学习，欢迎交流。

以上这篇python抽取指定url页面的title方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持中文源码网。