先来大致看看htmlparser的源代码吧:
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>'[&<]'</code><code>)</code>
<code>interesting_cdata </code><code>=</code> <code>re.</code><code>compile</code><code>(r</code><code>'<(/|\z)'</code><code>)</code>
<code>incomplete </code><code>=</code> <code>re.</code><code>compile</code><code>(</code><code>'&[a-za-z#]'</code><code>)</code>
<code>entityref </code><code>=</code> <code>re.</code><code>compile</code><code>(</code><code>'&([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>'&#(?:[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>'<[a-za-z]'</code><code>)</code>
<code>piclose </code><code>=</code> <code>re.</code><code>compile</code><code>(</code><code>'>'</code><code>)</code>
<code>commentclose </code><code>=</code> <code>re.</code><code>compile</code><code>(r</code><code>'--\s*>'</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./,:;+*%?!&$\(\)_#=~@]*))?'</code><code>)</code>
<code>locatestarttagend </code><code>=</code> <code>re.</code><code>compile</code><code>(r</code><code>"""</code>
<code> </code><code><[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>|[^'\">\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>'>'</code><code>)</code>
<code>endtagfind </code><code>=</code> <code>re.</code><code>compile</code><code>(</code><code>'</\s*([a-za-z][-.a-za-z0-9:_]*)\s*>'</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: '<...>'."""</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 < n:</code>
<code> </code><code>match </code><code>=</code> <code>self</code><code>.interesting.search(rawdata, i) </code><code># < or &</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 < 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>'<'</code><code>, i):</code>
<code> </code><code>if</code> <code>starttagopen.match(rawdata, i): </code><code># < + 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>"</"</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>"<!--"</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>"<?"</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>"<!"</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>) < n:</code>
<code> </code><code>self</code><code>.handle_data(</code><code>"<"</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 < </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>"&#"</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 &#</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>'&'</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>"&"</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 < 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>'<?'</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># ></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 < </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 < 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>">"</code><code>, </code><code>"/>"</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>'/>'</code><code>):</code>
<code> </code><code># xhtml-style empty tag: <span attr="value" /></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>">"</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>"/>"</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 '/>' 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>"</"</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># ></code>
<code> </code><code>match </code><code>=</code> <code>endtagfind.match(rawdata, i) </code><code># </ + tag + ></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: <tag.../></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>'&'</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>'&'</code><code>+</code><code>s</code><code>+</code><code>';'</code>
<code> </code><code>return</code> <code>re.sub(r</code><code>"&(#?[xx]?(?:[0-9a-fa-f]+|\w{1,8}));"</code><code>, replaceentities, s)</code>
大家可以看到,其实内部的很多的方法都是没有实现的,所以需要我们继承这个类,自己去实现一些方法。关于htmlparser的方法,大家可以参考官方文档:
另外,给一个例子大家对照着看看,我相信这么简单的例子,大家都能看懂的。
假设我们要处理的文件在d盘根目录下,名字为hello.html,文件的内容为:
<code><</code><code>head</code><code>></code>
<code><</code><code>meta</code> <code>http-equiv="content-type" content="text/html; charset=utf-8"/></code>
<code><</code><code>title</code><code>>rollen holt - cnblogs</</code><code>title</code><code>></code>
<code><</code><code>meta</code> <code>name="keywords" content="rollen holt,rollenholt" /></code>
<code><</code><code>script</code> <code>src="/script/common.js" type="text/javascript"></</code><code>script</code><code>></code>
<code></</code><code>head</code><code>></code>
<code><</code><code>body</code><code>></code>
<code><</code><code>a</code> <code>name="top"></</code><code>a</code><code>></code>
<code><</code><code>form</code> <code>method="post" action="" id="form1"></code>
<code><</code><code>div</code> <code>class="aspnethidden"></code>
<code><</code><code>input</code> <code>type="hidden" name="__viewstate" id="__viewstate" value="" /></code>
<code></</code><code>div</code><code>></code>
<code></</code><code>form</code><code>></code>
<code></</code><code>body</code><code>></code>
<code></</code><code>html</code><code>></code>
我们的python代码为:
<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>"""一个简单的htmlparser的例子"""</code>
<code> </code>
<code> </code><code>"""处理头文档"""</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>"""处理起始标签"""</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>"/>"</code><code>):</code>
<code> </code><code>print</code> <code>"<"</code><code>,tag,</code><code>">"</code>
<code> </code>
<code> </code><code>"""处理文本元素"""</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>"""处理结束标签"""</code>
<code> </code><code>htmlparser.handle_endtag(</code><code>self</code><code>, tag)</code>
<code> </code><code>print</code> <code>"</"</code><code>,tag,</code><code>">"</code>
<code> </code><code>"""处理自闭标签"""</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>"""处理注释"""</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>
输出的结果为:
doctype html public "-//w3c//dtd xhtml 1.0 transitional//en" "http://www.w3.org/tr/xhtml1/dtd/xhtml1-transitional.dtd"
< html >
< head >
<meta http-equiv="content-type" content="text/html; charset=utf-8"/>
< title >
rollen holt - cnblogs </ title >
<meta name="keywords" content="rollen holt,rollenholt" />
<link type="text/css" rel="stylesheet" href="http://www.cnblogs.com/css/common.css"/>
<link id="maincss" type="text/css" rel="stylesheet" href="http://www.cnblogs.com/skins/kubrick/style.css"/>
<link type="text/css" rel="stylesheet" href="http://www.cnblogs.com/css/common2.css"/>
<link type="text/css" rel="stylesheet" href="http://common.cnblogs.com/css/shcore.css"/>
<link type="text/css" rel="stylesheet" href="http://common.cnblogs.com/css/shthemedefault.css"/>
<link title="rss" type="application/rss+xml" rel="alternate" href="http://www.cnblogs.com/rollenholt/rss"/>
<link title="rsd" type="application/rsd+xml" rel="edituri" href="http://www.cnblogs.com/rollenholt/rsd.xml"/>
<link type="application/wlwmanifest+xml" rel="wlwmanifest" href="http://www.cnblogs.com/rollenholt/wlwmanifest.xml"/>
< script >
</ script >
</ head >
< body >
< a >
</ a >
< form >
< div >
<input type="hidden" name="__viewstate" id="__viewstate" value="" />
parser over