python网络编程基础笔记-处理HTML中不对称和语法错误的标记
zihua
2014-03-11 18:03:35
点击: 1152
|
收藏
1.python处理HTML中不对称tag或有语法错误的tag
"""
处理HTML中不对称tag或有语法错误的tag
方法是:使用数据结构---栈和级别来实现
1.将没有经过</tag>的tag全部入栈,经过</tag>的全部出栈
2.HTML语法错误处理使用级别来实现,栈顶的tag级别最低,如果高级别的tag要出栈,它会先将低级别的tag先出栈,这样可以避免遗漏</tag>的错误
3.对于</tag>错误的处理,先查找<tag>是否在栈内,如果没有则直接舍弃.
4.每次新的tag入栈,将data清空
"""
from HTMLParser import HTMLParser
from htmlentitydefs import *
import sys,re
class UnbalanceParser(HTMLParser):
def __init__(self):
# 记录没有遇到</tag>的tag
self.taglevels = []
# 需要处理的tags
self.handledtags = ["title","ul","li"]
# 当前正在处理的tag
self.processing = None
HTMLParser.__init__(self)
def handle_starttag(self,tag,attrs):
if len(self.taglevels) and self.taglevels[-1] == tag:
"""前一个tag与当前的tag相同,则认为是unbalance tag,进行处理"""
self.handle_endtag(tag)
# 将当前的tag入栈(1)
self.taglevels.append(tag)
# 如果当前的tag需要处理,先清空data,并将tag设置为当前处理(4)
if tag in self.handledtags:
self.data = ""
self.processing = tag
if tag == "ul":
print "list started"
def handle_data(self,data):
"""如果是需要处理的tag,直接将其追加"""
if self.processing:
self.data += data
def handle_endtag(self,tag):
if not tag in self.taglevels:
"""如果tag不在栈中,认为此tag为一非法,不予处理(3)"""
return
while len(self.taglevels):
# 取得栈顶tag
starttag = self.taglevels.pop()
# 如果是要处理的tag,调用处理函数
if starttag in self.handledtags:
self.finishprocessing(starttag)
# 如果此tag与starttag相同表示,这个level的tag完成处理,停止循环;否则继续,
# 直到此级别一下的tag全部处理(2)
if starttag == tag:
break
def cleanse(self):
"""删除多余的空格"""
self.data = re.sub("\s+"," ",self.data)
def finishprocessing(self,tag):
self.cleanse()
if tag == "title" and tag == self.processing:
print "Title = ",self.data
elif tag == "ul":
print "list ended"
elif tag == "li" and tag == self.processing:
print "list item:",self.data
self.processing = None
fd = open("JCParseHtmlUnbalance.html")
tp = UnbalanceParser()
tp.feed(fd.read())
|
2.测试使用的HTML文件
<!-- Unbalanced tags parsing example, Chapter 7 - utitle.html -->
<HTML>
<HEAD>
<TITLE>welcome to jcodeer.cublog.cn
</HEAD>
<BODY>
This is my text.
<UL>
<LI>First List Item
<LI>Second List Item</LI>
<LI>Third List Item
</BODY>
</HTML>
|
315417911