11、Python 中的 HTML 处理与正则表达式应用

Python 中的 HTML 处理与正则表达式应用

1. 关于 SGMLParser 的一些说明

在处理 HTML 时，SGMLParser 是一个有用的工具。不过，对于一些返回值和 self.stack.append(tag) 操作，无需过度担忧。理论上这些返回值有其意义，但实际上并未被使用。SGMLParser 会在内部跟踪起始标签和结束标签是否平衡，但也不会对这些信息做进一步处理。虽然理论上可以用该模块验证标签是否完全平衡，但可能并不值得，且超出了当前讨论范围。

start_xxx 和 do_xxx 方法并非直接调用，标签、方法和属性会传递给 handle_starttag 函数，以便子类可以重写该函数，改变起始标签的分发方式。若不需要这种高级控制，让该方法正常工作即可，它会使用属性列表调用相应方法。

2. 重写 handle_data 方法

在处理 <pre> 和 </pre> 标签时，还需处理文本块的预定义替换。这就需要重写 handle_data 方法，示例代码如下：

def handle_data(self, text):
    self.pieces.append(self.verbatim and text or self.process(text))

• hand