為了從 HTML 文檔中提取數據，將 SGMLParser 類進行子類化，然后對想要捕捉的標記或實體定義方法。
從 HTML 文檔中提取數據的第一步是得到某個 HTML 文件。如果在您的硬盤里存放著 HTML 文件，您可以使用處理文件的函數將它讀出來，但是真正有意思的是從實際的網頁得到 HTML。
例 8.5. urllib 介紹
>>> import urllib>>> sock = urllib.urlopen("http://diveintopython.org/")
>>> htmlSource = sock.read()
>>> sock.close()
>>> print htmlSource
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd"><html><head> <meta http-equiv='Content-Type' content='text/html; charset=ISO-8859-1'> <title>Dive Into Python</title> <link rel='stylesheet' href='diveintopython.css' type='text/css'> <link rev='made' href='mailto:mark@diveintopython.org'> <meta name='keywords' content='Python, Dive Into Python, tutorial, object-oriented, programming, documentation, book, free'> <meta name='description' content='a free Python tutorial for experienced programmers'> </head> <body bgcolor='white' text='black' link='#0000FF' vlink='#840084' alink='#0000FF'> <table cellpadding='0' cellspacing='0' border='0' width='100%'> <tr><td class='header' width='1%' valign='top'>diveintopython.org</td> <td width='99%' align='right'><hr size='1' noshade></td></tr> <tr><td class='tagline' colspan='2'>Python for experienced programmers</td></tr> [...略...]
|
|
urllib 模塊是標準 Python 庫的一部分。它包含了一些函數，可以從基于互聯網的 URL (主要指網頁) 來獲取信息并且真正取回數據。 |
|
|
urllib 模塊最簡單的使用是提取用 urlopen 函數取回的網頁的整個文本。打開一個 URL 同打開一個文件相似。urlopen 的返回值是像文件一樣的對象，它具有一個文件對象一樣的方法。 |
|
|
使用由 urlopen 所返回的類文件對象所能做的最簡單的事情就是 read，它可以將網頁的整個 HTML 讀到一個字符串中。這個對象也支持 readlines 方法，這個方法可以將文本按行放入一個列表中。 |
|
|
當用完這個對象，要確保將它 close，就如同一個普通的文件對象。 |
|
|
現在我們將 http://diveintopython.org/ 主頁的完整的 HTML 保存在一個字符串中了，接著我們將分析它。 |
例 8.6. urllister.py 介紹
如果您還沒有下載本書附帶的樣例程序, 可以 下載本程序和其他樣例程序。
from sgmllib import SGMLParser class URLLister(SGMLParser): def reset(self):
|
|
reset 由 SGMLParser 的 __init__ 方法來調用，也可以在創建一個分析器實例時手工來調用。所以如果您需要做初始化，在 reset 中去做，而不要在 __init__ 中做。這樣當某人重用一個分析器實例時，可以正確地重新初始化。 |
|
|
只要找到一個 <a> 標記，start_a 就會由 SGMLParser 進行調用。這個標記可以包含一個 href 屬性，或者包含其它的屬性，如 name 或 title。attrs 參數是一個 tuple 的 list，[(attribute, value), (attribute, value), ...]。或者它可以只是一個有效的 HTML 標記 <a> (盡管無用)，這時 attrs 將是個空 list。 |
|
|
我們可以通過一個簡單的多變量 list 映射來查找這個 <a> 標記是否擁有一個 href 屬性。 |
|
|
像 k=='href' 的字符串比較是區分大小寫的，但是這里是安全的。因為 SGMLParser 會在創建 attrs 時將屬性名轉化為小寫。 |
例 8.7. 使用 urllister.py
>>> import urllib, urllister >>> usock = urllib.urlopen("http://diveintopython.org/") >>> parser = urllister.URLLister() >>> parser.feed(usock.read())
|
|
調用定義在 SGMLParser 中的 feed 方法，將 HTML 內容放入分析器中。 [4] 這個方法接收一個字符串，這個字符串就是 usock.read() 所返回的。 |
|
|
像處理文件一樣，一旦處理完畢，您應該 close 您的 URL 對象。 |
|
|
您也應該 close 您的分析器對象，但出于不同的原因。feed 方法不保證對傳給它的全部 HTML 進行處理，它可能會對其進行緩沖處理，等待接收更多的內容。只要沒有更多的內容，就應調用 close 來刷新緩沖區，并且強制所有內容被完全處理。 |
|
|
一旦分析器被 close，分析過程也就結束了。parser.urls 中包含了在 HTML 文檔中所有的鏈接 URL。(如果當您讀到此處發現輸出結果不一樣，那是因為下載了本書的更新版本。) |
Footnotes
[4] 像 SGMLParser 這樣的分析器，技術術語叫做消費者 (consumer)。它消費 HTML，并且拆分它。也許因此就選擇了 feed 這個名字，以便同消費者 這個主題相適應。就個人來說，它讓我想象在動物園看展覽。里面有一個黑漆漆的獸穴，沒有樹，沒有植物，沒有任何生命的跡象。但只要您非常安靜地站著，盡可能靠近著瞧，您會看到在遠處的角落里有兩只明眸在盯著您。但是您會安慰自已那不過是心理作用。唯一知道獸穴里并不是空無一物的方法，就是在柵欄上有一個不明顯的標記，上面寫著 “禁止給分析器喂食”。但也許只有我這么想，不管怎么樣，這種心理想象很有意思。