pythonsgmlparser模組處理html解析非常的方便，它將html 處理分成三步：將 html 分解成它的組成片段，對片段進行加工，接著將片段再重新合成 html。第一步是通過 sgmllib.py 來完成的，它是標準 python 庫的一部分。
理解本章的關鍵是要知道 html 不只是文字，更是結構化文字。這種結構**於開始與結束標記的或多或少分級序列。通常您並不以這種方式處理 html，而是以文字方式 在乙個文字編輯中對其進行處理，或以可視的方式 在乙個瀏覽器中進行瀏覽或頁面編輯工具中進行編輯。sgmllib.py 表現出了html 的結構。
sgmllib.py 包含乙個重要的類：sgmlparser。sgmlparser 將 html分解成有用的片段，比如開始標記和結束標記。在它成功地分解出某個資料為乙個有用的片段後，它會根據所發現的資料，呼叫乙個自身內部的方法。為了使用這個分析器，您需要子類化 sgmlparser 類，並且覆蓋這些方法。這就是當我說它表示了 html 結構 的意思：html的結構決定了方法呼叫的次序和傳給每個方法的引數。
sgmlparser 將 html 分析成 8 類資料，然後對每一類呼叫單獨的方法：
開始標記 (start tag)
是開始乙個塊的 html 標記，像 、、 或
等，或是乙個獨一的標記，像 或
等。當它找到乙個開始標記 tagname，
sgmlparser 將查詢名為 start_tagname 或 do_tagname 的方法。
例如，當它找到乙個
標記，它將查詢乙個 start_pre 或 do_pre 的方法。如果找到了，sgmlparser 會使用這個標記的屬性列表來呼叫這個方法；
否則，它用這個標記的名字和屬性列表來呼叫 unknown_starttag 方法。
結束標記 (end tag)
是結束乙個塊的 html 標記，像 、、 或
等。
當找到乙個結束標記時，sgmlparser 將查詢名為 end_tagname 的方法。
如果找到，sgmlparser 呼叫這個方法，否則它使用標記的名字來呼叫 unknown_endtag 。
字元引用 (character reference)
用字元的十進位制或等同的十六進製制來表示的轉義字元，
像 。當找到，sgmlparser 使用十進位制或等同的十六進製制字元文本來呼叫 handle_charref 。
實體引用 (entity reference)
注釋 (comment)
html 注釋，包括在 之間。當找到，sgmlparser 用注釋內容來呼叫 handle_comment。
處理指令 (processing instruction)
html 處理指令，包括在 之間。當找到，sgmlparser 用處理指令內容來呼叫 handle_pi。
宣告 (declaration)
html 宣告，如 doctype，包括在 之間。當找到，sgmlparser 用宣告內容來呼叫 handle_decl。
文字資料 (text data)
文字塊。不滿足其它 7 種類別的任何東西。當找到，sgmlparser 用文本來呼叫 handle_data。
重要python 2.0 存在乙個 bug，即 sgmlparser 完全不能識別宣告 (handle_decl 永遠不會呼叫)，
這就意味著 doctype 被靜靜地忽略掉了。這個錯誤在 python 2.1 中改正了。
sgmllib.py 所附帶的乙個測試套件舉例說明了這一點。您可以執行 sgmllib.py，
在命令列下傳入乙個 html 檔案的名字，然後它會在分析標記和其它元素的同時將它們列印出來。
它的實現是通過子類化 sgmlparser 類，然後定義 unknown_starttag，unknown_endtag，handle_data
和其它方法來實現的。這些方法簡單地列印出它們的引數。
如果要詳細的了解python sgmlparser的用法的話，可以看看python sgmlparser
的文件，
'''匹配 標籤'''
if len(tag)!=0 and tag[0][1] == 's':
self.num = self.num + 1
self.q_check = 1
def handle_data(self, text):
'''處理文字'''
txt = text.strip()
if txt and self.q_check:
for i in checklist:
pipei = r'%s' % str(i)#在要匹配的資訊裡找到和關鍵字匹配
check_pan = re.compile(pipei)
if check_pan.search(txt) is not none:
else:
continue
self.strcontent = '$|$'.join(self.info)
def end_td(self):
'''匹配'''
self.q_check = 0
############################################配置資訊#############################
keylist = ['旅遊']#貼吧名稱
checklist = ['張家界','南韓']#要查詢的關鍵字
content = {}#採集內容
如果你對python queue模組
也感興趣的話，可以看看！
上面的例子也用到了python 字串替換
的一些方法。
python教程
，希望大家能夠喜歡
使用Authentication的一點心得
我寫了乙個例子程式 第一次使用基於froms的驗證 首先假設使用者登陸成功 這個一般從資料庫得到驗證 然後寫入驗證票據authentication.以後的頁面中判斷這個使用者是否通過驗證，如果沒有，重定向到使用者登陸頁面 如果已經登陸，則執行業務邏輯 本文重點在討論authentication在角色...
python def和lambda的一點心得
原文 python def和python lambda這2個有相似點也有不同點，今天給大家分享下自己的心得吧。先說說2個的相似點 這兩個很重要的相似點就是都可以定義一些固定的方法或者是流程，供給程式來呼叫，比如我們要定義乙個變數加2的方法。首先看python def吧。definfo x retur...
python def和lambda的一點心得
原文 python def和python lambda這2個有相似點也有不同點，今天給大家分享下自己的心得吧。先說說2個的相似點 這兩個很重要的相似點就是都可以定義一些固定的方法或者是流程，供給程式來呼叫，比如我們要定義乙個變數加2的方法。首先看python def吧。definfo x retur...