python的HTMLParser學習

先來大緻看看htmlparser的源代碼吧：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

78

79

80

81

82

83

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98

99

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

194

195

196

197

198

199

200

201

202

203

204

205

206

207

208

209

210

211

212

213

214

215

216

217

218

219

220

221

222

223

224

225

226

227

228

229

230

231

232

233

234

235

236

237

238

239

240

241

242

243

244

245

246

247

248

249

250

251

252

253

254

255

256

257

258

259

260

261

262

263

264

265

266

267

268

269

270

271

272

273

274

275

276

277

278

279

280

281

282

283

284

285

286

287

288

289

290

291

292

293

294

295

296

297

298

299

300

301

302

303

304

305

306

307

308

309

310

311

312

313

314

315

316

317

318

319

320

321

322

323

324

325

326

327

328

329

330

331

332

333

334

335

336

337

338

339

340

341

342

343

344

345

346

347

348

349

350

351

352

353

354

355

356

357

358

359

360

361

362

363

364

365

366

367

368

369

370

371

372

373

374

375

376

377

378

379

380

381

382

383

384

385

386

387

388

389

390

<code>"""a parser for html and xhtml."""</code>

<code># this file is based on sgmllib.py, but the api is slightly different.</code>

<code># xxx there should be a way to distinguish between pcdata (parsed</code>

<code># character data -- the normal case), rcdata (replaceable character</code>

<code># data -- only char and entity references and end tags are special)</code>

<code># and cdata (character data -- only end tags are special).</code>

<code>import</code> <code>markupbase</code>

<code>import</code> <code>re</code>

<code># regular expressions used for parsing</code>

<code>interesting_normal </code><code>=</code> <code>re.</code><code>compile</code><code>(</code><code>'[&amp;&lt;]'</code><code>)</code>

<code>interesting_cdata </code><code>=</code> <code>re.</code><code>compile</code><code>(r</code><code>'&lt;(/|\z)'</code><code>)</code>

<code>incomplete </code><code>=</code> <code>re.</code><code>compile</code><code>(</code><code>'&amp;[a-za-z#]'</code><code>)</code>

<code>entityref </code><code>=</code> <code>re.</code><code>compile</code><code>(</code><code>'&amp;([a-za-z][-.a-za-z0-9]*)[^a-za-z0-9]'</code><code>)</code>

<code>charref </code><code>=</code> <code>re.</code><code>compile</code><code>(</code><code>'&amp;#(?:[0-9]+|[xx][0-9a-fa-f]+)[^0-9a-fa-f]'</code><code>)</code>

<code>starttagopen </code><code>=</code> <code>re.</code><code>compile</code><code>(</code><code>'&lt;[a-za-z]'</code><code>)</code>

<code>piclose </code><code>=</code> <code>re.</code><code>compile</code><code>(</code><code>'&gt;'</code><code>)</code>

<code>commentclose </code><code>=</code> <code>re.</code><code>compile</code><code>(r</code><code>'--\s*&gt;'</code><code>)</code>

<code>tagfind </code><code>=</code> <code>re.</code><code>compile</code><code>(</code><code>'[a-za-z][-.a-za-z0-9:_]*'</code><code>)</code>

<code>attrfind </code><code>=</code> <code>re.</code><code>compile</code><code>(</code>

<code>    </code><code>r</code><code>'\s*([a-za-z_][-.:a-za-z_0-9]*)(\s*=\s*'</code>

<code>    </code><code>r</code><code>'(\'[^\']*\'|"[^"]*"|[-a-za-z0-9./,:;+*%?!&amp;$\(\)_#=~@]*))?'</code><code>)</code>

<code>locatestarttagend </code><code>=</code> <code>re.</code><code>compile</code><code>(r</code><code>"""</code>

<code>  </code><code>&lt;[a-za-z][-.a-za-z0-9:_]*          # tag name</code>

<code>  </code><code>(?:\s+                             # whitespace before attribute name</code>

<code>    </code><code>(?:[a-za-z_][-.:a-za-z0-9_]*     # attribute name</code>

<code>      </code><code>(?:\s*=\s*                     # value indicator</code>

<code>        </code><code>(?:'[^']*'                   # lita-enclosed value</code>

<code>          </code><code>|\"[^\"]*\"                # lit-enclosed value</code>

<code>          </code><code>|[^'\"&gt;\s]+                # bare value</code>

<code>         </code><code>)</code>

<code>       </code><code>)?</code>

<code>     </code><code>)</code>

<code>   </code><code>)*</code>

<code>  </code><code>\s*                                # trailing whitespace</code>

<code>"""</code><code>, re.verbose)</code>

<code>endendtag </code><code>=</code> <code>re.</code><code>compile</code><code>(</code><code>'&gt;'</code><code>)</code>

<code>endtagfind </code><code>=</code> <code>re.</code><code>compile</code><code>(</code><code>'&lt;/\s*([a-za-z][-.a-za-z0-9:_]*)\s*&gt;'</code><code>)</code>

<code>class</code> <code>htmlparseerror(exception):</code>

<code>    </code><code>"""exception raised for all parse errors."""</code>

<code>    </code><code>def</code> <code>__init__(</code><code>self</code><code>, msg, position</code><code>=</code><code>(</code><code>none</code><code>, </code><code>none</code><code>)):</code>

<code>        </code><code>assert</code> <code>msg</code>

<code>        </code><code>self</code><code>.msg </code><code>=</code> <code>msg</code>

<code>        </code><code>self</code><code>.lineno </code><code>=</code> <code>position[</code><code>0</code><code>]</code>

<code>        </code><code>self</code><code>.offset </code><code>=</code> <code>position[</code><code>1</code><code>]</code>

<code>    </code><code>def</code> <code>__str__(</code><code>self</code><code>):</code>

<code>        </code><code>result </code><code>=</code> <code>self</code><code>.msg</code>

<code>        </code><code>if</code> <code>self</code><code>.lineno </code><code>is</code> <code>not</code> <code>none</code><code>:</code>

<code>            </code><code>result </code><code>=</code> <code>result </code><code>+</code> <code>", at line %d"</code> <code>%</code> <code>self</code><code>.lineno</code>

<code>        </code><code>if</code> <code>self</code><code>.offset </code><code>is</code> <code>not</code> <code>none</code><code>:</code>

<code>            </code><code>result </code><code>=</code> <code>result </code><code>+</code> <code>", column %d"</code> <code>%</code> <code>(</code><code>self</code><code>.offset </code><code>+</code> <code>1</code><code>)</code>

<code>        </code><code>return</code> <code>result</code>

<code>class</code> <code>htmlparser(markupbase.parserbase):</code>

<code>    </code><code>"""find tags and other markup and call handler functions.</code>

<code>    </code><code>usage:</code>

<code>        </code><code>p = htmlparser()</code>

<code>        </code><code>p.feed(data)</code>

<code>        </code><code>...</code>

<code>        </code><code>p.close()</code>

<code>    </code><code>start tags are handled by calling self.handle_starttag() or</code>

<code>    </code><code>self.handle_startendtag(); end tags by self.handle_endtag().  the</code>

<code>    </code><code>data between tags is passed from the parser to the derived class</code>

<code>    </code><code>by calling self.handle_data() with the data as argument (the data</code>

<code>    </code><code>may be split up in arbitrary chunks).  entity references are</code>

<code>    </code><code>passed by calling self.handle_entityref() with the entity</code>

<code>    </code><code>reference as the argument.  numeric character references are</code>

<code>    </code><code>passed to self.handle_charref() with the string containing the</code>

<code>    </code><code>reference as the argument.</code>

<code>    </code><code>"""</code>

<code>    </code><code>cdata_content_elements </code><code>=</code> <code>(</code><code>"script"</code><code>, </code><code>"style"</code><code>)</code>

<code>    </code><code>def</code> <code>__init__(</code><code>self</code><code>):</code>

<code>        </code><code>"""initialize and reset this instance."""</code>

<code>        </code><code>self</code><code>.reset()</code>

<code>    </code><code>def</code> <code>reset(</code><code>self</code><code>):</code>

<code>        </code><code>"""reset this instance.  loses all unprocessed data."""</code>

<code>        </code><code>self</code><code>.rawdata </code><code>=</code> <code>''</code>

<code>        </code><code>self</code><code>.lasttag </code><code>=</code> <code>'???'</code>

<code>        </code><code>self</code><code>.interesting </code><code>=</code> <code>interesting_normal</code>

<code>        </code><code>markupbase.parserbase.reset(</code><code>self</code><code>)</code>

<code>    </code><code>def</code> <code>feed(</code><code>self</code><code>, data):</code>

<code>        </code><code>"""feed data to the parser.</code>

<code>        </code><code>call this as often as you want, with as little or as much text</code>

<code>        </code><code>as you want (may include '\n').</code>

<code>        </code><code>"""</code>

<code>        </code><code>self</code><code>.rawdata </code><code>=</code> <code>self</code><code>.rawdata </code><code>+</code> <code>data</code>

<code>        </code><code>self</code><code>.goahead(</code><code>0</code><code>)</code>

<code>    </code><code>def</code> <code>close(</code><code>self</code><code>):</code>

<code>        </code><code>"""handle any buffered data."""</code>

<code>        </code><code>self</code><code>.goahead(</code><code>1</code><code>)</code>

<code>    </code><code>def</code> <code>error(</code><code>self</code><code>, message):</code>

<code>        </code><code>raise</code> <code>htmlparseerror(message, </code><code>self</code><code>.getpos())</code>

<code>    </code><code>__starttag_text </code><code>=</code> <code>none</code>

<code>    </code><code>def</code> <code>get_starttag_text(</code><code>self</code><code>):</code>

<code>        </code><code>"""return full source of start tag: '&lt;...&gt;'."""</code>

<code>        </code><code>return</code> <code>self</code><code>.__starttag_text</code>

<code>    </code><code>def</code> <code>set_cdata_mode(</code><code>self</code><code>):</code>

<code>        </code><code>self</code><code>.interesting </code><code>=</code> <code>interesting_cdata</code>

<code>    </code><code>def</code> <code>clear_cdata_mode(</code><code>self</code><code>):</code>

<code>    </code><code># internal -- handle data as far as reasonable.  may leave state</code>

<code>    </code><code># and data to be processed by a subsequent call.  if 'end' is</code>

<code>    </code><code># true, force handling all data as if followed by eof marker.</code>

<code>    </code><code>def</code> <code>goahead(</code><code>self</code><code>, end):</code>

<code>        </code><code>rawdata </code><code>=</code> <code>self</code><code>.rawdata</code>

<code>        </code><code>i </code><code>=</code> <code>0</code>

<code>        </code><code>n </code><code>=</code> <code>len</code><code>(rawdata)</code>

<code>        </code><code>while</code> <code>i &lt; n:</code>

<code>            </code><code>match </code><code>=</code> <code>self</code><code>.interesting.search(rawdata, i) </code><code># &lt; or &amp;</code>

<code>            </code><code>if</code> <code>match:</code>

<code>                </code><code>j </code><code>=</code> <code>match.start()</code>

<code>            </code><code>else</code><code>:</code>

<code>                </code><code>j </code><code>=</code> <code>n</code>

<code>            </code><code>if</code> <code>i &lt; j: </code><code>self</code><code>.handle_data(rawdata[i:j])</code>

<code>            </code><code>i </code><code>=</code> <code>self</code><code>.updatepos(i, j)</code>

<code>            </code><code>if</code> <code>i </code><code>=</code><code>=</code> <code>n: </code><code>break</code>

<code>            </code><code>startswith </code><code>=</code> <code>rawdata.startswith</code>

<code>            </code><code>if</code> <code>startswith(</code><code>'&lt;'</code><code>, i):</code>

<code>                </code><code>if</code> <code>starttagopen.match(rawdata, i): </code><code># &lt; + letter</code>

<code>                    </code><code>k </code><code>=</code> <code>self</code><code>.parse_starttag(i)</code>

<code>                </code><code>elif</code> <code>startswith(</code><code>"&lt;/"</code><code>, i):</code>

<code>                    </code><code>k </code><code>=</code> <code>self</code><code>.parse_endtag(i)</code>

<code>                </code><code>elif</code> <code>startswith(</code><code>"&lt;!--"</code><code>, i):</code>

<code>                    </code><code>k </code><code>=</code> <code>self</code><code>.parse_comment(i)</code>

<code>                </code><code>elif</code> <code>startswith(</code><code>"&lt;?"</code><code>, i):</code>

<code>                    </code><code>k </code><code>=</code> <code>self</code><code>.parse_pi(i)</code>

<code>                </code><code>elif</code> <code>startswith(</code><code>"&lt;!"</code><code>, i):</code>

<code>                    </code><code>k </code><code>=</code> <code>self</code><code>.parse_declaration(i)</code>

<code>                </code><code>elif</code> <code>(i </code><code>+</code> <code>1</code><code>) &lt; n:</code>

<code>                    </code><code>self</code><code>.handle_data(</code><code>"&lt;"</code><code>)</code>

<code>                    </code><code>k </code><code>=</code> <code>i </code><code>+</code> <code>1</code>

<code>                </code><code>else</code><code>:</code>

<code>                    </code><code>break</code>

<code>                </code><code>if</code> <code>k &lt; </code><code>0</code><code>:</code>

<code>                    </code><code>if</code> <code>end:</code>

<code>                        </code><code>self</code><code>.error(</code><code>"eof in middle of construct"</code><code>)</code>

<code>                </code><code>i </code><code>=</code> <code>self</code><code>.updatepos(i, k)</code>

<code>            </code><code>elif</code> <code>startswith(</code><code>"&amp;#"</code><code>, i):</code>

<code>                </code><code>match </code><code>=</code> <code>charref.match(rawdata, i)</code>

<code>                </code><code>if</code> <code>match:</code>

<code>                    </code><code>name </code><code>=</code> <code>match.group()[</code><code>2</code><code>:</code><code>-</code><code>1</code><code>]</code>

<code>                    </code><code>self</code><code>.handle_charref(name)</code>

<code>                    </code><code>k </code><code>=</code> <code>match.end()</code>

<code>                    </code><code>if</code> <code>not</code> <code>startswith(</code><code>';'</code><code>, k</code><code>-</code><code>1</code><code>):</code>

<code>                        </code><code>k </code><code>=</code> <code>k </code><code>-</code> <code>1</code>

<code>                    </code><code>i </code><code>=</code> <code>self</code><code>.updatepos(i, k)</code>

<code>                    </code><code>continue</code>

<code>                    </code><code>if</code> <code>";"</code> <code>in</code> <code>rawdata[i:]: </code><code>#bail by consuming &amp;#</code>

<code>                        </code><code>self</code><code>.handle_data(rawdata[</code><code>0</code><code>:</code><code>2</code><code>])</code>

<code>                        </code><code>i </code><code>=</code> <code>self</code><code>.updatepos(i, </code><code>2</code><code>)</code>

<code>            </code><code>elif</code> <code>startswith(</code><code>'&amp;'</code><code>, i):</code>

<code>                </code><code>match </code><code>=</code> <code>entityref.match(rawdata, i)</code>

<code>                    </code><code>name </code><code>=</code> <code>match.group(</code><code>1</code><code>)</code>

<code>                    </code><code>self</code><code>.handle_entityref(name)</code>

<code>                </code><code>match </code><code>=</code> <code>incomplete.match(rawdata, i)</code>

<code>                    </code><code># match.group() will contain at least 2 chars</code>

<code>                    </code><code>if</code> <code>end </code><code>and</code> <code>match.group() </code><code>=</code><code>=</code> <code>rawdata[i:]:</code>

<code>                        </code><code>self</code><code>.error(</code><code>"eof in middle of entity or char ref"</code><code>)</code>

<code>                    </code><code># incomplete</code>

<code>                    </code><code># not the end of the buffer, and can't be confused</code>

<code>                    </code><code># with some other construct</code>

<code>                    </code><code>self</code><code>.handle_data(</code><code>"&amp;"</code><code>)</code>

<code>                    </code><code>i </code><code>=</code> <code>self</code><code>.updatepos(i, i </code><code>+</code> <code>1</code><code>)</code>

<code>                </code><code>assert</code> <code>0</code><code>, </code><code>"interesting.search() lied"</code>

<code>        </code><code># end while</code>

<code>        </code><code>if</code> <code>end </code><code>and</code> <code>i &lt; n:</code>

<code>            </code><code>self</code><code>.handle_data(rawdata[i:n])</code>

<code>            </code><code>i </code><code>=</code> <code>self</code><code>.updatepos(i, n)</code>

<code>        </code><code>self</code><code>.rawdata </code><code>=</code> <code>rawdata[i:]</code>

<code>    </code><code># internal -- parse processing instr, return end or -1 if not terminated</code>

<code>    </code><code>def</code> <code>parse_pi(</code><code>self</code><code>, i):</code>

<code>        </code><code>assert</code> <code>rawdata[i:i</code><code>+</code><code>2</code><code>] </code><code>=</code><code>=</code> <code>'&lt;?'</code><code>, </code><code>'unexpected call to parse_pi()'</code>

<code>        </code><code>match </code><code>=</code> <code>piclose.search(rawdata, i</code><code>+</code><code>2</code><code>) </code><code># &gt;</code>

<code>        </code><code>if</code> <code>not</code> <code>match:</code>

<code>            </code><code>return</code> <code>-</code><code>1</code>

<code>        </code><code>j </code><code>=</code> <code>match.start()</code>

<code>        </code><code>self</code><code>.handle_pi(rawdata[i</code><code>+</code><code>2</code><code>: j])</code>

<code>        </code><code>j </code><code>=</code> <code>match.end()</code>

<code>        </code><code>return</code> <code>j</code>

<code>    </code><code># internal -- handle starttag, return end or -1 if not terminated</code>

<code>    </code><code>def</code> <code>parse_starttag(</code><code>self</code><code>, i):</code>

<code>        </code><code>self</code><code>.__starttag_text </code><code>=</code> <code>none</code>

<code>        </code><code>endpos </code><code>=</code> <code>self</code><code>.check_for_whole_start_tag(i)</code>

<code>        </code><code>if</code> <code>endpos &lt; </code><code>0</code><code>:</code>

<code>            </code><code>return</code> <code>endpos</code>

<code>        </code><code>self</code><code>.__starttag_text </code><code>=</code> <code>rawdata[i:endpos]</code>

<code>        </code><code># now parse the data between i+1 and j into a tag and attrs</code>

<code>        </code><code>attrs </code><code>=</code> <code>[]</code>

<code>        </code><code>match </code><code>=</code> <code>tagfind.match(rawdata, i</code><code>+</code><code>1</code><code>)</code>

<code>        </code><code>assert</code> <code>match, </code><code>'unexpected call to parse_starttag()'</code>

<code>        </code><code>k </code><code>=</code> <code>match.end()</code>

<code>        </code><code>self</code><code>.lasttag </code><code>=</code> <code>tag </code><code>=</code> <code>rawdata[i</code><code>+</code><code>1</code><code>:k].lower()</code>

<code>        </code><code>while</code> <code>k &lt; endpos:</code>

<code>            </code><code>m </code><code>=</code> <code>attrfind.match(rawdata, k)</code>

<code>            </code><code>if</code> <code>not</code> <code>m:</code>

<code>                </code><code>break</code>

<code>            </code><code>attrname, rest, attrvalue </code><code>=</code> <code>m.group(</code><code>1</code><code>, </code><code>2</code><code>, </code><code>3</code><code>)</code>

<code>            </code><code>if</code> <code>not</code> <code>rest:</code>

<code>                </code><code>attrvalue </code><code>=</code> <code>none</code>

<code>            </code><code>elif</code> <code>attrvalue[:</code><code>1</code><code>] </code><code>=</code><code>=</code> <code>'\''</code> <code>=</code><code>=</code> <code>attrvalue[</code><code>-</code><code>1</code><code>:] </code><code>or</code> <code>\</code>

<code>                 </code><code>attrvalue[:</code><code>1</code><code>] </code><code>=</code><code>=</code> <code>'"'</code> <code>=</code><code>=</code> <code>attrvalue[</code><code>-</code><code>1</code><code>:]:</code>

<code>                </code><code>attrvalue </code><code>=</code> <code>attrvalue[</code><code>1</code><code>:</code><code>-</code><code>1</code><code>]</code>

<code>                </code><code>attrvalue </code><code>=</code> <code>self</code><code>.unescape(attrvalue)</code>

<code>            </code><code>attrs.append((attrname.lower(), attrvalue))</code>

<code>            </code><code>k </code><code>=</code> <code>m.end()</code>

<code>        </code><code>end </code><code>=</code> <code>rawdata[k:endpos].strip()</code>

<code>        </code><code>if</code> <code>end </code><code>not</code> <code>in</code> <code>(</code><code>"&gt;"</code><code>, </code><code>"/&gt;"</code><code>):</code>

<code>            </code><code>lineno, offset </code><code>=</code> <code>self</code><code>.getpos()</code>

<code>            </code><code>if</code> <code>"\n"</code> <code>in</code> <code>self</code><code>.__starttag_text:</code>

<code>                </code><code>lineno </code><code>=</code> <code>lineno </code><code>+</code> <code>self</code><code>.__starttag_text.count(</code><code>"\n"</code><code>)</code>

<code>                </code><code>offset </code><code>=</code> <code>len</code><code>(</code><code>self</code><code>.__starttag_text) \</code>

<code>                         </code><code>-</code> <code>self</code><code>.__starttag_text.rfind(</code><code>"\n"</code><code>)</code>

<code>                </code><code>offset </code><code>=</code> <code>offset </code><code>+</code> <code>len</code><code>(</code><code>self</code><code>.__starttag_text)</code>

<code>            </code><code>self</code><code>.error(</code><code>"junk characters in start tag: %r"</code>

<code>                       </code><code>%</code> <code>(rawdata[k:endpos][:</code><code>20</code><code>],))</code>

<code>        </code><code>if</code> <code>end.endswith(</code><code>'/&gt;'</code><code>):</code>

<code>            </code><code># xhtml-style empty tag: &lt;span attr="value" /&gt;</code>

<code>            </code><code>self</code><code>.handle_startendtag(tag, attrs)</code>

<code>        </code><code>else</code><code>:</code>

<code>            </code><code>self</code><code>.handle_starttag(tag, attrs)</code>

<code>            </code><code>if</code> <code>tag </code><code>in</code> <code>self</code><code>.cdata_content_elements:</code>

<code>                </code><code>self</code><code>.set_cdata_mode()</code>

<code>        </code><code>return</code> <code>endpos</code>

<code>    </code><code># internal -- check to see if we have a complete starttag; return end</code>

<code>    </code><code># or -1 if incomplete.</code>

<code>    </code><code>def</code> <code>check_for_whole_start_tag(</code><code>self</code><code>, i):</code>

<code>        </code><code>m </code><code>=</code> <code>locatestarttagend.match(rawdata, i)</code>

<code>        </code><code>if</code> <code>m:</code>

<code>            </code><code>j </code><code>=</code> <code>m.end()</code>

<code>            </code><code>next</code> <code>=</code> <code>rawdata[j:j</code><code>+</code><code>1</code><code>]</code>

<code>            </code><code>if</code> <code>next</code> <code>=</code><code>=</code> <code>"&gt;"</code><code>:</code>

<code>                </code><code>return</code> <code>j </code><code>+</code> <code>1</code>

<code>            </code><code>if</code> <code>next</code> <code>=</code><code>=</code> <code>"/"</code><code>:</code>

<code>                </code><code>if</code> <code>rawdata.startswith(</code><code>"/&gt;"</code><code>, j):</code>

<code>                    </code><code>return</code> <code>j </code><code>+</code> <code>2</code>

<code>                </code><code>if</code> <code>rawdata.startswith(</code><code>"/"</code><code>, j):</code>

<code>                    </code><code># buffer boundary</code>

<code>                    </code><code>return</code> <code>-</code><code>1</code>

<code>                </code><code># else bogus input</code>

<code>                </code><code>self</code><code>.updatepos(i, j </code><code>+</code> <code>1</code><code>)</code>

<code>                </code><code>self</code><code>.error(</code><code>"malformed empty start tag"</code><code>)</code>

<code>            </code><code>if</code> <code>next</code> <code>=</code><code>=</code> <code>"":</code>

<code>                </code><code># end of input</code>

<code>                </code><code>return</code> <code>-</code><code>1</code>

<code>            </code><code>if</code> <code>next</code> <code>in</code> <code>(</code><code>"abcdefghijklmnopqrstuvwxyz=/"</code>

<code>                        </code><code>"abcdefghijklmnopqrstuvwxyz"</code><code>):</code>

<code>                </code><code># end of input in or before attribute value, or we have the</code>

<code>                </code><code># '/' from a '/&gt;' ending</code>

<code>            </code><code>self</code><code>.updatepos(i, j)</code>

<code>            </code><code>self</code><code>.error(</code><code>"malformed start tag"</code><code>)</code>

<code>        </code><code>raise</code> <code>assertionerror(</code><code>"we should not get here!"</code><code>)</code>

<code>    </code><code># internal -- parse endtag, return end or -1 if incomplete</code>

<code>    </code><code>def</code> <code>parse_endtag(</code><code>self</code><code>, i):</code>

<code>        </code><code>assert</code> <code>rawdata[i:i</code><code>+</code><code>2</code><code>] </code><code>=</code><code>=</code> <code>"&lt;/"</code><code>, </code><code>"unexpected call to parse_endtag"</code>

<code>        </code><code>match </code><code>=</code> <code>endendtag.search(rawdata, i</code><code>+</code><code>1</code><code>) </code><code># &gt;</code>

<code>        </code><code>match </code><code>=</code> <code>endtagfind.match(rawdata, i) </code><code># &lt;/ + tag + &gt;</code>

<code>            </code><code>self</code><code>.error(</code><code>"bad end tag: %r"</code> <code>%</code> <code>(rawdata[i:j],))</code>

<code>        </code><code>tag </code><code>=</code> <code>match.group(</code><code>1</code><code>)</code>

<code>        </code><code>self</code><code>.handle_endtag(tag.lower())</code>

<code>        </code><code>self</code><code>.clear_cdata_mode()</code>

<code>    </code><code># overridable -- finish processing of start+end tag: &lt;tag.../&gt;</code>

<code>    </code><code>def</code> <code>handle_startendtag(</code><code>self</code><code>, tag, attrs):</code>

<code>        </code><code>self</code><code>.handle_starttag(tag, attrs)</code>

<code>        </code><code>self</code><code>.handle_endtag(tag)</code>

<code>    </code><code># overridable -- handle start tag</code>

<code>    </code><code>def</code> <code>handle_starttag(</code><code>self</code><code>, tag, attrs):</code>

<code>        </code><code>pass</code>

<code>    </code><code># overridable -- handle end tag</code>

<code>    </code><code>def</code> <code>handle_endtag(</code><code>self</code><code>, tag):</code>

<code>    </code><code># overridable -- handle character reference</code>

<code>    </code><code>def</code> <code>handle_charref(</code><code>self</code><code>, name):</code>

<code>    </code><code># overridable -- handle entity reference</code>

<code>    </code><code>def</code> <code>handle_entityref(</code><code>self</code><code>, name):</code>

<code>    </code><code># overridable -- handle data</code>

<code>    </code><code>def</code> <code>handle_data(</code><code>self</code><code>, data):</code>

<code>    </code><code># overridable -- handle comment</code>

<code>    </code><code>def</code> <code>handle_comment(</code><code>self</code><code>, data):</code>

<code>    </code><code># overridable -- handle declaration</code>

<code>    </code><code>def</code> <code>handle_decl(</code><code>self</code><code>, decl):</code>

<code>    </code><code># overridable -- handle processing instruction</code>

<code>    </code><code>def</code> <code>handle_pi(</code><code>self</code><code>, data):</code>

<code>    </code><code>def</code> <code>unknown_decl(</code><code>self</code><code>, data):</code>

<code>        </code><code>self</code><code>.error(</code><code>"unknown declaration: %r"</code> <code>%</code> <code>(data,))</code>

<code>    </code><code># internal -- helper to remove special character quoting</code>

<code>    </code><code>entitydefs </code><code>=</code> <code>none</code>

<code>    </code><code>def</code> <code>unescape(</code><code>self</code><code>, s):</code>

<code>        </code><code>if</code> <code>'&amp;'</code> <code>not</code> <code>in</code> <code>s:</code>

<code>            </code><code>return</code> <code>s</code>

<code>        </code><code>def</code> <code>replaceentities(s):</code>

<code>            </code><code>s </code><code>=</code> <code>s.groups()[</code><code>0</code><code>]</code>

<code>            </code><code>if</code> <code>s[</code><code>0</code><code>] </code><code>=</code><code>=</code> <code>"#"</code><code>:</code>

<code>                </code><code>s </code><code>=</code> <code>s[</code><code>1</code><code>:]</code>

<code>                </code><code>if</code> <code>s[</code><code>0</code><code>] </code><code>in</code> <code>[</code><code>'x'</code><code>,</code><code>'x'</code><code>]:</code>

<code>                    </code><code>c </code><code>=</code> <code>int</code><code>(s[</code><code>1</code><code>:], </code><code>16</code><code>)</code>

<code>                    </code><code>c </code><code>=</code> <code>int</code><code>(s)</code>

<code>                </code><code>return</code> <code>unichr</code><code>(c)</code>

<code>                </code><code># cannot use name2codepoint directly, because htmlparser supports apos,</code>

<code>                </code><code># which is not part of html 4</code>

<code>                </code><code>import</code> <code>htmlentitydefs</code>

<code>                </code><code>if</code> <code>htmlparser.entitydefs </code><code>is</code> <code>none</code><code>:</code>

<code>                    </code><code>entitydefs </code><code>=</code> <code>htmlparser.entitydefs </code><code>=</code> <code>{</code><code>'apos'</code><code>:u</code><code>"'"</code><code>}</code>

<code>                    </code><code>for</code> <code>k, v </code><code>in</code> <code>htmlentitydefs.name2codepoint.iteritems():</code>

<code>                        </code><code>entitydefs[k] </code><code>=</code> <code>unichr</code><code>(v)</code>

<code>                </code><code>try</code><code>:</code>

<code>                    </code><code>return</code> <code>self</code><code>.entitydefs[s]</code>

<code>                </code><code>except</code> <code>keyerror:</code>

<code>                    </code><code>return</code> <code>'&amp;'</code><code>+</code><code>s</code><code>+</code><code>';'</code>

<code>        </code><code>return</code> <code>re.sub(r</code><code>"&amp;(#?[xx]?(?:[0-9a-fa-f]+|\w{1,8}));"</code><code>, replaceentities, s)</code>

　大家可以看到，其實内部的很多的方法都是沒有實作的，是以需要我們繼承這個類，自己去實作一些方法。關于htmlparser的方法，大家可以參考官方文檔：

另外，給一個例子大家對照着看看，我相信這麼簡單的例子，大家都能看懂的。

假設我們要處理的檔案在d盤根目錄下，名字為hello.html,檔案的内容為：

<code>&lt;</code><code>head</code><code>&gt;</code>

<code>&lt;</code><code>meta</code> <code>http-equiv="content-type" content="text/html; charset=utf-8"/&gt;</code>

<code>&lt;</code><code>title</code><code>&gt;rollen holt - cnblogs&lt;/</code><code>title</code><code>&gt;</code>

<code>&lt;</code><code>meta</code> <code>name="keywords" content="rollen holt,rollenholt" /&gt;</code>

<code>&lt;</code><code>script</code> <code>src="/script/common.js" type="text/javascript"&gt;&lt;/</code><code>script</code><code>&gt;</code>

<code>&lt;/</code><code>head</code><code>&gt;</code>

<code>&lt;</code><code>body</code><code>&gt;</code>

<code>&lt;</code><code>a</code> <code>name="top"&gt;&lt;/</code><code>a</code><code>&gt;</code>

<code>&lt;</code><code>form</code> <code>method="post" action="" id="form1"&gt;</code>

<code>&lt;</code><code>div</code> <code>class="aspnethidden"&gt;</code>

<code>&lt;</code><code>input</code> <code>type="hidden" name="__viewstate" id="__viewstate" value="" /&gt;</code>

<code>&lt;/</code><code>div</code><code>&gt;</code>

<code>&lt;/</code><code>form</code><code>&gt;</code>

<code>&lt;/</code><code>body</code><code>&gt;</code>

<code>&lt;/</code><code>html</code><code>&gt;</code>

我們的python代碼為：

<code>#coding=utf-8</code>

<code>from</code> <code>htmlparser</code><code>import</code> <code>htmlparser</code>

<code>class</code> <code>myparser(htmlparser):</code>

<code>    </code><code>"""一個簡單的htmlparser的例子"""</code>

<code>    </code> 

<code>        </code><code>"""處理頭文檔"""</code>

<code>        </code><code>htmlparser.handle_decl(</code><code>self</code><code>, decl)</code>

<code>        </code><code>print</code> <code>decl</code>

<code>        </code><code>"""處理起始标簽"""</code>

<code>        </code><code>htmlparser.handle_starttag(</code><code>self</code><code>, tag, attrs)</code>

<code>        </code><code>if</code> <code>not</code> <code>htmlparser.get_starttag_text(</code><code>self</code><code>).endswith(</code><code>"/&gt;"</code><code>):</code>

<code>            </code><code>print</code> <code>"&lt;"</code><code>,tag,</code><code>"&gt;"</code>

<code>            </code> 

<code>        </code><code>"""處理文本元素"""</code>

<code>        </code><code>htmlparser.handle_data(</code><code>self</code><code>, data)</code>

<code>        </code><code>print</code> <code>data,</code>

<code>        </code> 

<code>        </code><code>"""處理結束标簽"""</code>

<code>        </code><code>htmlparser.handle_endtag(</code><code>self</code><code>, tag)</code>

<code>            </code><code>print</code> <code>"&lt;/"</code><code>,tag,</code><code>"&gt;"</code>

<code>        </code><code>"""處理自閉标簽"""</code>

<code>        </code><code>htmlparser.handle_startendtag(</code><code>self</code><code>, tag, attrs)</code>

<code>        </code><code>print</code> <code>htmlparser.get_starttag_text(</code><code>self</code><code>)</code>

<code>        </code><code>"""處理注釋"""</code>

<code>        </code><code>htmlparser.handle_comment(</code><code>self</code><code>, data)</code>

<code>        </code><code>print</code> <code>data</code>

<code>        </code><code>htmlparser.close(</code><code>self</code><code>)</code>

<code>        </code><code>print</code> <code>"parser over"</code>

<code>demo</code><code>=</code><code>myparser()</code>

<code>demo.feed(</code><code>open</code><code>(</code><code>"d:\\hello.html"</code><code>).read())</code>

<code>demo.close()</code>

輸出的結果為：

doctype html public "-//w3c//dtd xhtml 1.0 transitional//en" "http://www.w3.org/tr/xhtml1/dtd/xhtml1-transitional.dtd"

&lt; html &gt;

&lt; head &gt;

&lt;meta http-equiv="content-type" content="text/html; charset=utf-8"/&gt;

&lt; title &gt;

rollen holt - cnblogs &lt;/ title &gt;

&lt;meta name="keywords" content="rollen holt,rollenholt" /&gt;

&lt;link type="text/css" rel="stylesheet" href="http://www.cnblogs.com/css/common.css"/&gt;

&lt;link id="maincss" type="text/css" rel="stylesheet" href="http://www.cnblogs.com/skins/kubrick/style.css"/&gt;

&lt;link type="text/css" rel="stylesheet" href="http://www.cnblogs.com/css/common2.css"/&gt;

&lt;link type="text/css" rel="stylesheet" href="http://common.cnblogs.com/css/shcore.css"/&gt;

&lt;link type="text/css" rel="stylesheet" href="http://common.cnblogs.com/css/shthemedefault.css"/&gt;

&lt;link title="rss" type="application/rss+xml" rel="alternate" href="http://www.cnblogs.com/rollenholt/rss"/&gt;

&lt;link title="rsd" type="application/rsd+xml" rel="edituri" href="http://www.cnblogs.com/rollenholt/rsd.xml"/&gt;

&lt;link type="application/wlwmanifest+xml" rel="wlwmanifest" href="http://www.cnblogs.com/rollenholt/wlwmanifest.xml"/&gt;

&lt; script &gt;

&lt;/ script &gt;

&lt;/ head &gt;

&lt; body &gt;

&lt; a &gt;

&lt;/ a &gt;

&lt; form &gt;

&lt; div &gt;

&lt;input type="hidden" name="__viewstate" id="__viewstate" value="" /&gt;

parser over