python模块介绍- HTMLParser 简单的HTML和XHTML解析器


2013-09-11 磁针石
 
#承接软件自动化实施与培训等gtalk:ouyangchongwu#gmail.comqq 37391319
 
#博客:http://blog.csdn.net/oychw
 
#版权所有,转载刊登请来函联系
 
# 深圳测试自动化python项目接单群113938272深圳广州软件测试开发 6089740
 
#深圳湖南人业务户外群 66250781武冈洞口城步新宁乡情群49494279
 
#参考资料:python手册
 
注意
HTMLParser的模块已经在Python 3中更名为html.parser。 2to3工具会自动转换import语句到Python3。
python2.2新增该模块。
源代码:lib/ HTMLParser.py
 
简介
该模块定义了一个HTMLParse类作为解析格式化的文本文件HTML(超文本标记语言)和XHTML的基础。不像htmllib的解析器,这个解析器不基于sgmllib模块的SGML解析器。
 
class HTMLParser.HTMLParser 
               HTMLParser的实例接受html数据,在碰到开始tag,结束tag,文本,注释和其他标记元素时调用对应的处理方法。用户需要继承的HTMLParser并重载一些方法来实现期望的行为。
 
               HTMLParser类无任何参数。
 
               不像htmllib的解析器,解析器不检查结束标签是否匹配开始标签,或为隐式关闭标签调用结束标签处理器。
 
另htmllib和sgmllib在python3已经被取消,不建议使用。
 
异常:
 
exception HTMLParser.HTMLParseError
 
HTMLParser的是能够处理零碎的标签,但在某些情况下,它也可能会遇到错误而引发异常。此异常提供了三个属性:msg是一个简短描述错误的消息,lineno行号,offset列偏移。
 
 
 
简单实例:
fromHTMLParser import HTMLParser
 
fromhtmlentitydefs import name2codepoint
 
 
 
classMyHTMLParser(HTMLParser):
 
    def handle_starttag(self, tag, attrs):
 
        print "Start tag:", tag
 
        for attr in attrs:
 
            print "     attr:", attr
 
    def handle_endtag(self, tag):
 
        print "End tag  :", tag
 
    def handle_data(self, data):
 
        print "Data     :", data
 
    def handle_comment(self, data):
 
        print "Comment  :", data
 
    def handle_entityref(self, name):
 
        c = unichr(name2codepoint[name])
 
        print "Named ent:", c
 
    def handle_charref(self, name):
 
        if name.startswith('x'):
 
            c = unichr(int(name[1:], 16))
 
        else:
 
            c = unichr(int(name))
 
        print "Num ent  :", c
 
    def handle_decl(self, data):
 
        print "Decl     :", data
 
 
 
parser= MyHTMLParser()
 
printparser.feed('<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN"''"http://www.w3.org/TR/html4/strict.dtd">')
 
 
 
printparser.feed('<img src="python-logo.png" alt="The Pythonlogo">')
 
执行结果:
 
Decl     : DOCTYPE HTML PUBLIC "-//W3C//DTDHTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd"
 
None
 
Starttag: img
 
     attr: ('src', 'python-logo.png')
 
     attr: ('alt', 'The Python logo')
 
None
 
 
 
HTMLParser的方法:
HTMLParser.feed(data)
 
            提交文本给解析器。不完整的会缓冲直到更多的数据被送入或close()被调用。数据可以是Unicode(推荐)或str。
 
HTMLParser.close()
 
            强制处理所有缓冲数据,好像比一个文件结束标志。派生类可以重新定义,在输入结束,而是重新定义的版本应该总是调用HTMLParser的基类方法close()。
 
HTMLParser.reset()
 
            重置实例。所有未处理数据会丢失。
 
 
 
HTMLParser.getpos()
 
            返回当前的行号和偏移量。
 
HTMLParser.get_starttag_text()
 
            返回最近标记的文本。一般用不上,偶尔用于比较文本。
 
 
 
下面的方法在遇到数据或者标签时会调用,除了handle_startendtag外,父类通常什么都不做,需要子类重载。
 
HTMLParser.handle_starttag(tag, attrs)
 
 
 
来处理一个标签(如<divid="main"> )开始。
标签的名称会转换为小写。的attrs参数是一个列表,包含TAG中的(name, value)对。Name转为小写。比如会转为handle_starttag('a', [('href','http://www.cwi.nl/')])。
 
2.6版本中更改: htmlentitydefs的实体引用全部改成了属性值。
 
HTMLParser.handle_endtag(tag)
 
HTMLParser.handle_endtag (标签)
 
处理结束标签,同样会转为小写。
 
HTMLParser.handle_startendtag(tag, attrs)
 
和handle_starttag()相似,在遇到XHTML风格的空标签比如(<img />)使用。默认实现只是调用handle_starttag()和handle_endtag()。
 
HTMLParser.handle_data(data)
 
            处理任意数据(如文本节点和内容的<SCRIPT>的... < / SCRIPT >和<style>...</style>).。
 
HTMLParser.handle_entityref(name)
 
            处理指定的字符引用的形式&name; (e.g. &gt;),名称是通用实体引用(e.g. 'gt')。
 
HTMLParser.handle_charref(name)
 
            处理十进制和十六进制数字字符引用的形式&#NNN; 和 &#xNNN。例如,&gt的十进制的表示是&#62,而十六进制数是&#x3E;,这种情况下,该方法将接收到'62'或' X3E ' 。
 
HTMLParser.handle_comment(data)
 
处理注释(e.g. <!--comment-->)。
例如,注释<! - 评论 - >将导致此方法被称为“评论”的说法。
 
Internet Explorer条件的注释 (condcoms)的内容也将被发送到这个方法,所以<!--[if IE 9]>IE9-specificcontent<![endif,这种方法会收到'[if IE 9]>IE-specificcontent<![endif]' 。
 
HTMLParser.handle_decl(decl)
 
处理HTML DOCTYPE声明(例如,(e.g. <!DOCTYPE html>).
 
HTMLParser.handle_pi(data)
 
            处理指令时遇到的。数据参数将包含整个的处理指令。例如,对于处理指令<?proc color='red'>,则此方法将被调用为handle_pi("proccolor='red'")。
 
      注意: HTMLParser类使用SGML的语法规则的处理指令。一个XHTML处理指令拖尾的?也包括在数据中。
 
The HTMLParser class uses theSGML syntactic rules for processing instructions. An XHTML processinginstruction using the trailing '?' will cause the'?' to be includedin data.
 
HTMLParser.unknown_decl(data)
 
处理不认识的确认声明。
 
 
 
更多实例:
fromHTMLParser import HTMLParser
 
fromhtmlentitydefs import name2codepoint
 
 
 
classMyHTMLParser(HTMLParser):
 
    def handle_starttag(self, tag, attrs):
 
        print "Start tag:", tag
 
        for attr in attrs:
 
            print "     attr:", attr
 
    def handle_endtag(self, tag):
 
        print "End tag  :", tag
 
    def handle_data(self, data):
 
        print "Data     :", data
 
    def handle_comment(self, data):
 
        print "Comment  :", data
 
    def handle_entityref(self, name):
 
        c = unichr(name2codepoint[name])
 
        print "Named ent:", c
 
    def handle_charref(self, name):
 
        if name.startswith('x'):
 
            c = unichr(int(name[1:], 16))
 
        else:
 
            c = unichr(int(name))
 
        print "Num ent  :", c
 
    def handle_decl(self, data):
 
        print "Decl     :", data
 
 
 
parser= MyHTMLParser()
 
 
 
 
 
print"DOCTYPE:"
 
parser.feed('<!DOCTYPEHTML PUBLIC "-//W3C//DTD HTML 4.01//EN"'
 
   '"http://www.w3.org/TR/html4/strict.dtd">')
 
print"img:"
 
parser.feed('<imgsrc="python-logo.png" alt="The Python logo">')
 
print"h1:"
 
parser.feed('<h1>Python</h1>')
 
print"style:"
 
parser.feed('<styletype="text/css">#python { color: green }</style>')
 
 
 
print"script:"
 
parser.feed('<scripttype="text/javascript">')
 
parser.reset()
 
print"comments"
 
parser.feed('<!--a comment -->''<!--[if IE 9]>IE-specific content<![endif]-->')
 
print"numeric:"
 
parser.feed('&gt;&#62;&#x3E;')
 
print"Feeding incomplete chunks"
 
forchunk in ['<sp', 'an>buff', 'ered ', 'text</s', 'pan>']:
 
    parser.feed(chunk)
 
   
 
print" invalid HTML :"
 
parser.feed('<p><aclass=link href=#main>tag soup</p ></a>')
 
 
 
执行结果:
 
DOCTYPE:
 
Decl     : DOCTYPE HTML PUBLIC "-//W3C//DTDHTML 4.01//EN""http://www.w3.org/TR/html4/strict.dtd"
 
img:
 
Starttag: img
 
     attr: ('src', 'python-logo.png')
 
     attr: ('alt', 'The Python logo')
 
h1:
 
Starttag: h1
 
Data     : Python
 
Endtag  : h1
 
style:
 
Starttag: style
 
     attr: ('type', 'text/css')
 
Data     : #python { color: green }
 
Endtag  : style
 
script:
 
Starttag: script
 
     attr: ('type', 'text/javascript')
 
comments
 
Comment  :  acomment
 
Comment  : [if IE 9]>IE-specificcontent<![endif]
 
numeric:
 
Namedent: >
 
Nument  : >
 
Nument  : >
 
Feedingincomplete chunks
 
Starttag: span
 
Data     : buff
 
Data     : ered
 
Data     : text
 
Endtag  : span
 
 invalid HTML :
 
Starttag: p
 
Starttag: a
 
     attr: ('class', 'link')
 
     attr: ('href', '#main')
 
Data     : tag soup
 
Endtag  : p
 
Endtag  : a
 
 
 
 
 
 
 
 

相关内容

    暂无相关文章

评论关闭