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