python SGMLParser学习的一点心得

python

pythonSGMLParser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,


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

以上是 python SGMLParser学习的一点心得 的全部内容, 来源链接: utcz.com/z/389200.html

回到顶部