python SGMLParser学习的一点心得

python SGMLParser模块处理html解析非常的方便，它将HTML 处理分成三步：将 HTML 分解成它的组成片段，对片段进行加工，接着将片段再重新合成 HTML。第一步是通过 sgmllib.py 来完成的，它是标准 Python 库的一部分。

理解本章的关键是要知道 HTML 不只是文本，更是结构化文本。这种结构来源于开始与结束标记的或多或少分级序列。通常您并不以这种方式处理 HTML，而是以文本方式 在一个文本编辑中对其进行处理，或以可视的方式 在一个浏览器中进行浏览或页面编辑工具中进行编辑。sgmllib.py 表现出了HTML 的结构。

sgmllib.py 包含一个重要的类：SGMLParser。SGMLParser 将 HTML分解成有用的片段，比如开始标记和结束标记。在它成功地分解出某个数据为一个有用的片段后，它会根据所发现的数据，调用一个自身内部的方法。为了使用这个分析器，您需要子类化 SGMLParser 类，并且覆盖这些方法。这就是当我说它表示了 HTML 结构 的意思：HTML的结构决定了方法调用的次序和传给每个方法的参数。

SGMLParser 将 HTML 分析成 8 类数据，然后对每一类调用单独的方法：

开始标记 (Start tag)
是开始一个块的 HTML 标记，像 、、 或

 等，或是一个独一的标记，
像 
 或 
 等。当它找到一个开始标记 tagname，
SGMLParser 将查找名为 start_tagname 或 do_tagname 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 unknown_starttag 方法。 
结束标记 (End tag)
    是结束一个块的 HTML 标记，像 、、 或 


等。

 

当找到一个结束标记时，SGMLParser 将查找名为 end_tagname 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 unknown_endtag 。 

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，

像  。当找到，SGMLParser 使用十进制或等同的十六进制字符文本来调用 handle_charref 。 

实体引用 (Entity reference)

    HTML 实体，像 ©。当找到，SGMLParser 使用 HTML 实体的名字来调用 handle_entityref 。 

注释 (Comment)

    HTML 注释，包括在 <!--  ... -->之间。当找到，SGMLParser 用注释内容来调用 handle_comment。 

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 handle_pi。 

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 handle_decl。 

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 handle_data。 


重要

Python 2.0 存在一个 bug，即 SGMLParser 完全不能识别声明 (handle_decl 永远不会调用)，

这就意味着 DOCTYPE 被静静地忽略掉了。这个错误在 Python 2.1 中改正了。

sgmllib.py 所附带的一个测试套件举例说明了这一点。您可以运行 sgmllib.py，

在命令行下传入一个 HTML 文件的名字，然后它会在分析标记和其它元素的同时将它们打印出来。

它的实现是通过子类化 SGMLParser 类，然后定义 unknown_starttag，unknown_endtag，handle_data 

和其它方法来实现的。这些方法简单地打印出它们的参数。


如果要详细的了解python SGMLParser的用法的话，可以看看python SGMLParser
的文档，

下面放上个我用python SGMLParsr写的例子，希望对大家有帮助：


#encoding=utf-8

#@description:baidutiba content


import sys

import re


import httplib

import urllib

from sgmllib import SGMLParser


class BaidutiebaParser(SGMLParser):

    '''在百度贴吧里采集相应的关键字的标题'''


    def reset(self):

        SGMLParser.reset(self)

        self.info = []#

        self.q_check = 0

        self.num = 0

        self.strcontent = ''

 

    def start_td(self, tag):

        '''匹配 标签'''

        if len(tag)!=0 and tag[0][1] == 's':

            self.num = self.num + 1

            self.q_check = 1


    def handle_data(self, text):

        '''处理文本'''

        txt = text.strip()

        if txt and self.q_check:

            for i in checklist:

                pipei = r'%s' % str(i)#在要匹配的信息里找到和关键字匹配

                check_pan = re.compile(pipei)

                if check_pan.search(txt) is not None:

                    self.info.append(txt)

                else:

                    continue

        self.strcontent = '$|$'.join(self.info)


    def end_td(self):

        '''匹配'''

        self.q_check = 0

 

############################################配置信息############################# 

keylist = ['旅游']#贴吧名称

checklist = ['张家界','韩国']#要查询的关键字

content = {}#采集内容


for m in keylist:

    page = 0

    keyword = urllib.quote(m.decode('utf-8').encode('gbk'))

    for i in xrange(10):

        url = '''http://tieba.baidu.com/f?z=0&ct=318767104&lm=11&sc=0&rn=50&tn=baiduKeywordSearch&rs3=0&rs4=0&word=%s&pn=%s''' % (str(keyword),str(page))

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

        data = unicode(data, 'gbk').encode('utf-8')

        parser = BaidutiebaParser()

        parser.feed(data)

        content[i+1] = parser.strcontent

        page = page + 50


for k in content.keys():

    print k

    print content[k] 


如果你对python queue模块
也感兴趣的话，可以看看！

上面的例子也用到了python 字符串替换
的一些方法。


作者:老王@python
  python教程


老王python,提供pythn相关的python教程和python下载
，希望大家能够喜欢