13.2 htmllib -- Analizador de documentos HTML

13.2 htmllib -- Analizador de documentos HTML

Este módulo define una clase que puede servir de base para analizar ficheros de texto en Lenguaje de marcas de hipertexto (HyperText Mark-up Language, HTML). La clase no se ocupa directamente de la E/S, sino que se ha de proporcionar su entrada en forma de cadena, por medio de un método, y realiza llamadas a un método de un objeto ``formateador'' para producir salida. la clase HTMLParser está diseñada para utilizarse como clase base de otras clases con vistas a obtener funcionalidad añadida, por lo que permite que la mayoría de sus métodos sean extendidos o redefinidos. A su vez, esta clase se deriva de, y extiende, la clase SGMLParser definida en el módulo sgmllib. La implementación de HTMLParser reconoce el lenguaje HTML 2.0 según se describe en RFC 1866. Se proporcionan dos interfaces de los objetos formateadores en el módulo formatter. Consúltese la documentación de dicho módulo para obtener información sobre la interfaz de formateador.

A continuación se muestra un resumen de la interfaz definida por sgmllib.SGMLParser:

La interfaz para alimentar datos a una interfaz es por medio del método feed(), que toma un parámetro de tipo cadena. Se puede llamar con poco o mucho texto, según se desee. "p.feed(a); p.feed(b)" tiene el mismo efecto que "p.feed(a+b)". Cuando los datos contienen etiquetas HTML completas, se procesan de inmediato, los elementos incompletos se guardan en una variable temporal. Para forzar el procesado de todos los datos sin procesar, se debe llamar al método close().

Por ejemplo, para analizar el contenido completo de un fichero, se puede usar:º

parser.feed(open('mifichero.html').read())
parser.close()

La interfaz para definir el significado de las etiquetas HTML es muy simple. Se debe derivar una clase y definir métodos llamados start_tag(), end_tag() o do_tag(). El analizador los llamará en su momento oportuno: Se llama a start_tag o a do_tag() al encontrar una etiqueta de apertura <tag ...>; se llama a end_tag() al encontrar una etiqueta de cierre <tag>. Si una etiqueta de apertura espera una etiqueta de cierre, como <H1> ... </H1>, la clase debe definir el método start_tag(). Si una etiqueta no exige una etiqueta de cierre, como <P>, la clase debe definir el método do_tag().

El módulo define una sola clase:

HTMLParser (formatter)

Ésta es la clase analizadora de HTML básica. Da soporte a todos los nombres de entidad exigidos por la especificación HTML 2.0 (RFC 1866). También define gestores de todos los elementos de HTML 2.0 y algunos de HTML 3.0 y 3.2.

Más informació en:

Module htmlentitydefs:: Definición de texto de reemplazo de entidades HTML 2.0.

Module sgmllib:: Clase base para HTMLParser.

Subsections

Ver Sobre este documento... para obtener información sobre sugerencias.