/usr/share/doc/diveintopython-zh/html/html_processing/introducing_sgmllib.html is in diveintopython-zh 5.4b-1.
This file is owned by root:root, with mode 0o644.
The actual contents of the file can be viewed below.
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 | <!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=utf-8">
<title>8.2. sgmllib.py 介绍</title>
<link rel="stylesheet" href="../diveintopython.css" type="text/css">
<link rev="made" href="mailto:f8dy@diveintopython.org">
<meta name="generator" content="DocBook XSL Stylesheets V1.52.2">
<meta name="keywords" content="Python, Dive Into Python, tutorial, object-oriented, programming, documentation, book, free">
<meta name="description" content="Python from novice to pro">
<link rel="home" href="../toc/index.html" title="Dive Into Python">
<link rel="up" href="index.html" title="第 8 章 HTML 处理">
<link rel="previous" href="index.html" title="第 8 章 HTML 处理">
<link rel="next" href="extracting_data.html" title="8.3. 从 HTML 文档中提取数据">
</head>
<body>
<table id="Header" width="100%" border="0" cellpadding="0" cellspacing="0" summary="">
<tr>
<td id="breadcrumb" colspan="5" align="left" valign="top">导航：<a href="../index.html">起始页</a> > <a href="../toc/index.html">Dive Into Python</a> > <a href="index.html">HTML 处理</a> > <span class="thispage">sgmllib.py 介绍</span></td>
<td id="navigation" align="right" valign="top"> <a href="index.html" title="上一页: “HTML 处理”"><<</a> <a href="extracting_data.html" title="下一页: “从 HTML 文档中提取数据”">>></a></td>
</tr>
<tr>
<td colspan="3" id="logocontainer">
<h1 id="logo"><a href="../index.html" accesskey="1">深入 Python :Dive Into Python 中文版</a></h1>
<p id="tagline">Python 从新手到专家 [Dip_5.4b_CPyUG_Release]</p>
</td>
<td colspan="3" align="right">
<form id="search" method="GET" action="http://www.google.com/custom">
<p><label for="q" accesskey="4">Find: </label><input type="text" id="q" name="q" size="20" maxlength="255" value=""> <input type="submit" value="搜索"><input type="hidden" name="domains" value="woodpecker.org.cn"><input type="hidden" name="sitesearch" value="www.woodpecker.org.cn/diveintopython"></p>
</form>
</td>
</tr>
</table>
<!--#include virtual="/inc/ads" -->
<div class="section" lang="zh_cn">
<div class="titlepage">
<div>
<div>
<h2 class="title"><a name="dialect.sgmllib"></a>8.2. <tt class="filename">sgmllib.py</tt> 介绍
</h2>
</div>
</div>
<div></div>
</div>
<div class="abstract">
<p><span class="acronym">HTML</span> 处理分成三步：将 <span class="acronym">HTML</span> 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 <tt class="filename">sgmllib.py</tt> 来完成的，它是标准 <span class="application">Python</span> 库的一部分。
</p>
</div>
<p>理解本章的关键是要知道 <span class="acronym">HTML</span> 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 <span class="acronym">HTML</span> ，而是以<span class="emphasis"><em>文本方式</em></span> 在一个文本编辑中对其进行处理，或以<span class="emphasis"><em>可视的方式</em></span> 在一个浏览器中进行浏览或页面编辑工具中进行编辑。<tt class="filename">sgmllib.py</tt> 表现出了 <span class="acronym">HTML</span> 的<span class="emphasis"><em>结构</em></span>。
</p>
<p><tt class="filename">sgmllib.py</tt> 包含一个重要的类：<tt class="classname">SGMLParser</tt>。<tt class="classname">SGMLParser</tt> 将 <span class="acronym">HTML</span> 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 <tt class="classname">SGMLParser</tt> 类，并且覆盖这些方法。这就是当我说它表示了 <span class="acronym">HTML</span> <span class="emphasis"><em>结构</em></span> 的意思：<span class="acronym">HTML</span> 的结构决定了方法调用的次序和传给每个方法的参数。
</p>
<p><tt class="classname">SGMLParser</tt> 将 <span class="acronym">HTML</span> 分析成 8 类数据，然后对每一类调用单独的方法：
</p>
<div class="variablelist">
<dl>
<dt><span class="term">开始标记 (Start tag)</span></dt>
<dd>是开始一个块的 <span class="acronym">HTML</span> 标记，像 <tt class="sgmltag-element"><html></tt>、<tt class="sgmltag-element"><head></tt>、<tt class="sgmltag-element"><body></tt> 或 <tt class="sgmltag-element"><pre></tt> 等，或是一个独一的标记，像 <tt class="sgmltag-element"><br></tt> 或 <tt class="sgmltag-element"><img></tt> 等。当它找到一个开始标记 <i class="replaceable"><tt>tagname</tt></i>，<tt class="classname">SGMLParser</tt> 将查找名为 <tt class="function">start_<i class="replaceable"><tt>tagname</tt></i></tt> 或 <tt class="function">do_<i class="replaceable"><tt>tagname</tt></i></tt> 的方法。例如，当它找到一个 <tt class="sgmltag-element"><pre></tt> 标记，它将查找一个 <tt class="function">start_pre</tt> 或 <tt class="function">do_pre</tt> 的方法。如果找到了，<tt class="classname">SGMLParser</tt> 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 <tt class="function">unknown_starttag</tt> 方法。
</dd>
<dt><span class="term">结束标记 (End tag)</span></dt>
<dd>是结束一个块的 <span class="acronym">HTML</span> 标记，像 <tt class="sgmltag-element"></html></tt>、<tt class="sgmltag-element"></head></tt>、<tt class="sgmltag-element"></body></tt> 或 <tt class="sgmltag-element"></pre></tt> 等。当找到一个结束标记时，<tt class="classname">SGMLParser</tt> 将查找名为 <tt class="function">end_<i class="replaceable"><tt>tagname</tt></i></tt> 的方法。如果找到，<tt class="classname">SGMLParser</tt> 调用这个方法，否则它使用标记的名字来调用 <tt class="function">unknown_endtag</tt> 。
</dd>
<dt><span class="term">字符引用 (Character reference)</span></dt>
<dd>用字符的十进制或等同的十六进制来表示的转义字符，像 <tt class="literal">&#160;</tt>。当找到，<tt class="classname">SGMLParser</tt> 使用十进制或等同的十六进制字符文本来调用 <tt class="function">handle_charref</tt> 。
</dd>
<dt><span class="term">实体引用 (Entity reference)</span></dt>
<dd><span class="acronym">HTML</span> 实体，像 <tt class="literal">&copy;</tt>。当找到，<tt class="classname">SGMLParser</tt> 使用 <span class="acronym">HTML</span> 实体的名字来调用 <tt class="function">handle_entityref</tt> 。
</dd>
<dt><span class="term">注释 (Comment)</span></dt>
<dd><span class="acronym">HTML</span> 注释，包括在 <tt class="literal"><!-- ... --></tt>之间。当找到，<tt class="classname">SGMLParser</tt> 用注释内容来调用 <tt class="function">handle_comment</tt>。
</dd>
<dt><span class="term">处理指令 (Processing instruction)</span></dt>
<dd><span class="acronym">HTML</span> 处理指令，包括在 <tt class="literal"><? ... ></tt> 之间。当找到，<tt class="classname">SGMLParser</tt> 用处理指令内容来调用 <tt class="function">handle_pi</tt>。
</dd>
<dt><span class="term">声明 (Declaration)</span></dt>
<dd><span class="acronym">HTML</span> 声明，如 <tt class="sgmltag-element">DOCTYPE</tt>，包括在 <tt class="literal"><! ... ></tt>之间。当找到，<tt class="classname">SGMLParser</tt> 用声明内容来调用 <tt class="function">handle_decl</tt>。
</dd>
<dt><span class="term">文本数据 (Text data)</span></dt>
<dd>文本块。不满足其它 7 种类别的任何东西。当找到，<tt class="classname">SGMLParser</tt> 用文本来调用 <tt class="function">handle_data</tt>。
</dd>
</dl>
</div><a name="d0e20181"></a><table class="important" border="0" summary="">
<tr>
<td rowspan="2" align="center" valign="top" width="1%"><img src="../images/important.png" alt="重要" title="" width="24" height="24"></td>
</tr>
<tr>
<td colspan="2" align="left" valign="top" width="99%"><span class="application">Python</span> 2.0 存在一个 bug，即 <tt class="classname">SGMLParser</tt> 完全不能识别声明 (<tt class="function">handle_decl</tt> 永远不会调用)，这就意味着 <tt class="sgmltag-element">DOCTYPE</tt> 被静静地忽略掉了。这个错误在 <span class="application">Python</span> 2.1 中改正了。
</td>
</tr>
</table>
<p><tt class="filename">sgmllib.py</tt> 所附带的一个测试套件举例说明了这一点。您可以运行 <tt class="filename">sgmllib.py</tt>，在命令行下传入一个 <span class="acronym">HTML</span> 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 <tt class="classname">SGMLParser</tt> 类，然后定义 <tt class="function">unknown_starttag</tt>，<tt class="function">unknown_endtag</tt>，<tt class="function">handle_data</tt> 和其它方法来实现的。这些方法简单地打印出它们的参数。
</p><a name="tip.commandline.windows"></a><table class="tip" border="0" summary="">
<tr>
<td rowspan="2" align="center" valign="top" width="1%"><img src="../images/tip.png" alt="提示" title="" width="24" height="24"></td>
</tr>
<tr>
<td colspan="2" align="left" valign="top" width="99%">在 Windows 下的 <span class="application">ActivePython</span> <span class="acronym">IDE</span> 中，您可以在 “<span class="quote">Run script</span>” 对话框中指定命令行参数。用空格将多个参数分开。
</td>
</tr>
</table>
<div class="example"><a name="d0e20238"></a><h3 class="title">例 8.4. <tt class="filename">sgmllib.py</tt> 的样例测试
</h3>
<p>下面是一个片段，来自本书的 <span class="acronym">HTML</span> 版本的目录，toc.html。当然，您的存储路径可能与我的有所不同。
(如果您还没有下载本书的 <span class="acronym">HTML</span> 版本，可以从 <a href="http://diveintopython.org/">http://diveintopython.org/</a> 下载。
</p><pre class="screen">
<tt class="prompt">c:\python23\lib></tt> <span class="userinput">type <span class='pystring'>"c:\downloads\diveintopython\html\toc\index.html"</span></span>
<tt class="literal">
<!DOCTYPE html
PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd">
<html lang="en">
<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">
... 略 ...
</tt></pre><p>通过 <tt class="filename">sgmllib.py</tt> 的测试套件来运行它，会得到如下的输出结果:
</p><pre class="screen">
<tt class="prompt">c:\python23\lib></tt> <span class="userinput">python sgmllib.py <span class='pystring'>"c:\downloads\diveintopython\html\toc\index.html"</span></span>
<span class="computeroutput">data: '\n\n'
start tag: <html lang="en" >
data: '\n '
start tag: <head>
data: '\n '
start tag: <meta http-equiv="Content-Type" content="text/html; charset=ISO-8859-1" >
data: '\n \n '
start tag: <title>
data: 'Dive Into Python'
end tag: </title>
data: '\n '
start tag: <link rel="stylesheet" href="diveintopython.css" type="text/css" >
data: '\n '
... 略 ...
</span></pre></div>
<p>下面是本章其它部分的路标：</p>
<div class="itemizedlist">
<ul>
<li>子类化 <tt class="classname">SGMLParser</tt> 来创建从 <span class="acronym">HTML</span> 文档中抽取感兴趣的数据的类。
</li>
<li>子类化 <tt class="classname">SGMLParser</tt> 来创建 <tt class="classname">BaseHTMLProcessor</tt>，它覆盖了所有8个处理方法，然后使用它们从片段中重建原始的 <span class="acronym">HTML</span>。
</li>
<li>子类化 <tt class="classname">BaseHTMLProcessor</tt> 来创建 <tt class="classname">Dialectizer</tt>，它增加了一些方法，专门用来处理指定的 <span class="acronym">HTML</span> 标记，然后覆盖了 <tt class="function">handle_data</tt> 方法，提供了用来处理 <span class="acronym">HTML</span> 标记之间文本块的框架。
</li>
<li>子类化 <tt class="classname">Dialectizer</tt> 来创建定义了文本处理规则的类。这些规则被 <tt class="function">Dialectizer.handle_data</tt> 使用。
</li>
<li>编写一个测试套件，它可以从 <tt class="systemitem">http://diveintopython.org/</tt> 处抓取一个真正的 web 页面，然后处理它。
</li>
</ul>
</div>
<p>继续阅读本章，您还可以学习到有关 <tt class="function">locals</tt>、<tt class="function">globals</tt> 和基于 dictionary 的字符串格式化的内容。
</p>
</div>
<table class="Footer" width="100%" border="0" cellpadding="0" cellspacing="0" summary="">
<tr>
<td width="35%" align="left"><br><a class="NavigationArrow" href="index.html"><< HTML 处理</a></td>
<td width="30%" align="center"><br> <span class="divider">|</span> <a href="index.html#dialect.divein" title="8.1. 概览">1</a> <span class="divider">|</span> <span class="thispage">2</span> <span class="divider">|</span> <a href="extracting_data.html" title="8.3. 从 HTML 文档中提取数据">3</a> <span class="divider">|</span> <a href="basehtmlprocessor.html" title="8.4. BaseHTMLProcessor.py 介绍">4</a> <span class="divider">|</span> <a href="locals_and_globals.html" title="8.5. locals 和 globals">5</a> <span class="divider">|</span> <a href="dictionary_based_string_formatting.html" title="8.6. 基于 dictionary 的字符串格式化">6</a> <span class="divider">|</span> <a href="quoting_attribute_values.html" title="8.7. 给属性值加引号">7</a> <span class="divider">|</span> <a href="dialect.html" title="8.8. dialect.py 介绍">8</a> <span class="divider">|</span> <a href="all_together.html" title="8.9. 全部放在一起">9</a> <span class="divider">|</span> <a href="summary.html" title="8.10. 小结">10</a> <span class="divider">|</span>
</td>
<td width="35%" align="right"><br><a class="NavigationArrow" href="extracting_data.html">从 HTML 文档中提取数据 >></a></td>
</tr>
<tr>
<td colspan="3"><br></td>
</tr>
</table>
<div class="Footer">
<p class="copyright">Copyright © 2000, 2001, 2002, 2003, 2004 <a href="mailto:mark@diveintopython.org">Mark Pilgrim</a></p>
<p class="copyright">Copyright © 2001, 2002, 2003, 2004, 2005, 2006, 2007 <a href="mailto:python-cn@googlegroups.com">CPyUG (邮件列表)</a></p>
</div>
</body>
</html>
|