8.8. dialect.py 介绍

DialectizerBaseHTMLProcessor 的简单 (和拙劣) 的派生类。它通过一系列的替换对文本块进行了处理,但是它确保在 <pre>...</pre> 块之间的任何东西不被修改地通过。

为了处理 <pre> 块,我们在 Dialectizer 中定义了两个方法: start_preend_pre

例 8.17. 处理特别标记

    def start_pre(self, attrs):             1
        self.verbatim += 1                  2
        self.unknown_starttag("pre", attrs) 3

    def end_pre(self):                      4
        self.unknown_endtag("pre")          5
        self.verbatim -= 1                  6
1 每次 SGMLParserHTML 源代码中发现一个 <pre> 时,都会调用 start_pre。 (马上我们就会确切地看到它是如何发生的。) 这个方法使用单个参数: attrs,这个参数会包含标记的属性 (如果存在的话) 。 attrs 是一个键/值 tuple 的 list,就象 unknown_starttag 中所使用的。
2 reset 方法中,我们初始化了一个数据属性,它作为 <pre> 标记的一个计数器。每次我们找到一个 <pre> 标记,我们增加计数器的值;每次我们找到一个 </pre> 标记,我们将减少计数器的值。 (我们可以将它作为一个标志,并且把它设为 1 或重置为 0,但是这样做只是为了方便,并且这样做可以处理古怪 (但有可能) 的 <pre> 标记嵌套的情况。) 马上我们将会看到这个计数器是多么的好用。
3 不错,这就是我们对 <pre> 标记所做的唯一的特殊处理。现在我们将属性列表传给 unknown_starttag,由它来进行缺省的处理。
4 每次 SGMLParser 找到一个 </pre> 标记时会调用 end_pre。因为结束标记不能包含属性,因此这个方法没有参数。
5 首先我们要进行缺省处理,就象其它结束标记做的一样。
6 其次我们将计数器减少,标记这个 <pre> 块已经被关闭了。

到了这个地方,有必要对 SGMLParser 更深入一层。我已经多次声明 (到目前为止您应已经把它做为信条了) ,就是 SGMLParser 查找每一个标记并且如果存在特定的方法就调用它们。例如: 我们刚刚看到处理 <pre></pre>start_preend_pre 的定义。但这是如何发生的呢?嗯,也没什么神奇的,只不过是出色的 Python 编码。

例 8.18. SGMLParser

    def finish_starttag(self, tag, attrs):               1
        try:                                            
            method = getattr(self, 'start_' + tag)       2
        except AttributeError:                           3
            try:                                        
                method = getattr(self, 'do_' + tag)      4
            except AttributeError:                      
                self.unknown_starttag(tag, attrs)        5
                return -1                               
            else:                                       
                self.handle_starttag(tag, method, attrs) 6
                return 0                                
        else:                                           
            self.stack.append(tag)                      
            self.handle_starttag(tag, method, attrs)    
            return 1                                     7

    def handle_starttag(self, tag, method, attrs):      
        method(attrs)                                    8
1 此处,SGMLParser 已经找到了一个开始标记,并且分析出属性列表。唯一要做的事情就是找到对于这个标记是否存在一个特别的处理方法,或者是否我们应该求助于缺省方法 (unknown_starttag) 。
2 SGMLParser 的 “神奇” 之处除了我们的老朋友 getattr 之外就没有什么了。您以前可能还没注意到的是 getattr 将查找定义在一个对象的继承者中或对象自身的方法。这里对象是 self,即当前实例。所以,如果 tag'pre',这里对 getattr 的调用将会在当前实例 (它是 Dialectizer 类的一个实例) 中查找一个名为 start_pre 的方法。
3 如果 getattr 所查找的方法在对象或它的任何继承者中不存在的话,它会引发一个 AttributeError 的异常。但没有关系,因为我们把对 getattr 的调用包装到一个 try...except 块中了,并且显示地捕捉 AttributeError 异常。
4 因为我们没有找到一个 start_xxx 方法,在放弃之前,我们将还要查找一个 do_xxx 方法。这个可替换的命名模式一般用于单独的标记,如 <br>,这些标记没有相应的结束标记。但是您可以使用任何一种模式,正如您看一的,SGMLParser 对每个标记尝试两次。 (您不应该对相同的标记同时定义 start_xxxdo_xxx 处理方法,因为这样的话只有 start_xxx 方法会被调用。)
5 另一个 AttributeError 异常,它是说用 do_xxx 来调用 getattr 实败了。因为对同一个标记我们既没有找到 start_xxx 也没有找到 do_xxx 处理方法,这样我们捕捉到了异常并且求助于缺省方法: unknown_starttag
6 记得吗?try...except 块可以有一个 else 子句,当在 try...except 块中 没有异常被引发 时,它将被调用。逻辑上,意味着我们 确实 找到了这个标记的 do_xxx 方法,所以我们将要调用它。
7 顺便说, 不要为这些不同的返回值而担心; 理论上他们有意义, 但实际上它们没有任何用处。也不要担心 self.stack.append(tag) ; SGMLParser 内部会知晓您的开始标记是否有合适的结束标记与之匹配, 但是它不会对这些信息做任何操作。理论上, 您能使用这个模块校验您的标记是否完全匹配, 但是这或许没有多大价值, 并且这样的内容已经超出了本章所要讨论的范畴。现在有您更需要担心的问题。
8 start_xxxdo_xxx 方法并不被直接调用,标记名、方法和属性被传给 handle_starttag 这个方法,以便继承者可以覆盖它,并改变 全部 开始标记分发的方式。我们不需要控制层,所以我们只让这个方法做它自已的事,就是用属性属性的 list 来调用方法 (start_xxxdo_xxx) 。记住 method 是一个从 getattr 返回的函数,还有函数是对象。 (我知道您已经听腻了,我发誓,一旦我们停止寻找新的使用方法来为我们服务时,我就决不再提它了。) 这时,函数对象作为一个参数传入这个分发方法,这个方法反过来再调用这个函数。在这里,我们不需要知道函数是什么,叫什么名字,或是在哪时定义的;我们只需要知道用一个参数 attrs 调用它。

现在回到我们已经计划好的程序: Dialectizer。当我们跑题时,我们正在定义特别的处理方法来处理 <pre></pre> 标记。还有一件事没有做,那就是用我们预定义的替换处理来处理文本块。为了实现它,我们需要覆盖 handle_data 方法。

例 8.19. 覆盖 handle_data 方法

    def handle_data(self, text):                                         1
        self.pieces.append(self.verbatim and text or self.process(text)) 2
1 handle_data 在调用时只使用一个参数: 要处理的文本。
2 在祖先类 BaseHTMLProcessor 中,handle_data 方法只是将文本追加到输出缓冲区 self.pieces 之后。这里的逻辑稍微有点复杂。如果我们处于 <pre>...</pre> 块的中间,self.verbatim 将是大于 0 的某个值,接着我们想要将文本不作改动地传入输出缓冲区。否则,我们将调用另一个单独的方法来进行替换处理,然后将处理结果放入输出缓冲区中。在 Python 中,这是一个一行代码,它使用了and-or 技巧

我们已经接近了对 Dialectizer 的全面理解。唯一缺少的一个环节是文本替换的特性。如果您知道点 Perl,您就会知道当需要复杂的文本替换时,唯一有效的解决方法就是正则表达式。 在 dialect.py 文件后面的几个类中定义了一连串的正则表达式来操作 HTML 标记中的文本。我们已经学习过了 正则表达式中的所有字符。我们不必重复学习正则表达式的艰难历程了, 不是吗?上帝知道我反正不需要。我想现在这章您已经学得差不多了。