Python - triviální HTML parser
Program definuje triviální uživatelskou třídu Parser, načte ze zadaného URL HTML stránku a vypíše na standardní výstup preformátovaný text dané stránky, tj. text uzavřený ve značce/značkách <pre>
Poznámka: jde o příklad parseru řízeného událostmi, tj. parseru ve kterém definujeme call-back funkce pro zpracování událostí (v tomto případě HTML značek, resp. značky PRE).
#!/usr/bin/python
# coding=utf-8
import sgmllib
class Parser(sgmllib.SGMLParser):
"Triviální HTML parser, vypiše obsah značky/značek <pre>"
# podle http://www.boddie.org.uk/python/HTML.html
def parse(self, s):
"Zpracuje zadaný řetězec 's'."
self.feed(s)
self.close()
def __init__(self, verbose=0):
"Inicializace objektu, 'verbose' se předává rodičovské třídě"
sgmllib.SGMLParser.__init__(self, verbose)
self.inside_pre = 0
def handle_data(self, data):
"Tisk textu ve značce PRE "
if self.inside_pre:
print data,
def start_pre(self, data):
"Zpracovaní otevirací značky PRE "
self.inside_pre = 1
def end_pre(self):
"Zpracovaní koncové značky /PRE "
self.inside_pre = 0
import urllib
usock = urllib.urlopen('http://geo.fsv.cvut.cz/gwiki/Python_-_trivi%C3%A1ln%C3%AD_HTML_parser')
page = usock.read()
usock.close()
parser = Parser()
parser.parse(page)