至顶网›软件频道 ›Python SGMLParser处理html中的javascript失当

Python SGMLParser处理html中的javascript失当

扫一扫
分享文章到微信
扫一扫
关注官方公众号
至顶头条

不是什么严重问题。只是当html代码中在标签的属性中写javascript时，需要注意到此种特性，如果出现“>”符号，就会导致SGMLParser以及使用SGMLParser的其他库解析失当。

作者：郑昀来源：CSDN 2008年1月26日

关键字：失当 JavaScript html 处理 SGMLParser

举例：
html代码如下定义：

sExceptionHtml = '''<span>出错的html标签:</span><div id='error'>

<img src="http://www.onejoo.com/daylife_media/images/articlesid/1.jpg" temp_src="http://www.onejoo.com/daylife_media/images/articlesid/1.jpg" border="0"

onmouseover="if(this.width>screen.width*0.7) {this.resized=true; this.width=screen.width*0.7;

this.style.cursor='hand';this.alt='Click here to open new window\nCTRL+Mouse wheel to zoom in/out';}"

onload="if(this.width>screen.width*0.7) {this.resized=true; this.width=screen.width*0.7;

this.alt='Click here to open new window\nCTRL+Mouse wheel to zoom in/out';}"

/>寒!<br /></div>'''

这个img标签有两个属性：onload和onmouseover，里面都写的是javascript代码，并且出现了“>”判断符号。当让SGMLParser处理这种html代码时，它错误地解析了。
对于上面的html代码，会得到如下处理过后的img：
<img src="http://www.onejoo.com/daylife_media/images/articlesid/1.jpg" border="0" onmouseover="if(this.width>screen.width*0.7) {this.resized=true; this.width=screen.width*0.7;
           this.style.cursor='hand';this.alt='Click here to open new window
CTRL+Mouse wheel to zoom in/out';}" />screen.width*0.7) {this.resized=true; this.width=screen.width*0.7;
           this.style.cursor='hand';this.alt='Click here to open new window
CTRL+Mouse wheel to zoom in/out';}"
   onload="if(this.width>screen.width*0.7) {this.resized=true; this.width=screen.width*0.7;
           this.alt='Click here to open new window
CTRL+Mouse wheel to zoom in/out';}"
/>
显然，onmouseover的东西乱掉了。很有可能就是javascript中的“this.width>screen.width*0.7”中“>”被误当作html标签的结束符处理了。
如果确实是这样，倒也可以理解，只是咱们就受累些，之前提前清除onload属性和onmouseover属性吧，省得里面的javascript干扰。
    page_content = re.sub('onload=\"\s*[^\"]*\"','',page_content)
    page_content = re.sub('onmouseover=\"\s*[^\"]*\"','',page_content)

牵连影响：并因此影响到了Beautiful Soup对html的解析。

你可以测试如下代码，可以重现此问题：

#coding=utf-8

import sys, os, urllib, re

from sgmllib import SGMLParser

from BeautifulSoup import BeautifulSoup

def replaceHTMLTag(content):

htmlextractor = html2txt()

# 调用定义在 SGMLParser 中的 feed 方法，将 HTML 内容放入分析器中。

htmlextractor.feed(content)

# 应该 close 您的分析器对象，但出于不同的原因。feed 方法不保证对传给它的全部 HTML 进行处理，

# 它可能会对其进行缓冲处理，等待接收更多的内容。一旦没有更多的内容，应调用 close 来刷新缓冲区，并且强制所有内容被完全处理。

htmlextractor.close()

# 一旦分析器被 close，分析过程也就结束了。htmlextractor.urls 中包含了在 HTML 文档中所有的链接 URL。

return htmlextractor.text

# 为了从 HTML 文档中提取数据，将 SGMLParser 类进行子类化，然后对想要捕捉的标记或实体定义方法。

class html2txt(SGMLParser):

def __init__(self):

SGMLParser.__init__(self)

self._result = []

self._data_stack = []

'''

reset 由 SGMLParser 的 __init__ 方法来调用，也可以在创建一个分析器实例时手工来调用。

所以如果您需要做初始化，在 reset 中去做，而不要在 __init__ 中做。

这样当某人重用一个分析器实例时，会正确地重新初始化。

'''

def reset(self):

self.text = ''

self.inbody = True

SGMLParser.reset(self)

def handle_data(self,text):

if self.inbody:

self.text += text

def _write(self, d):

if len(self._data_stack) < 2:

target = self._result

else:

target = self._data_stack[-1]

if type(d) in (list, tuple):

target += d

else:

target.append(str(d))

def start_head(self,text):

self.inbody = False

def end_head(self):

self.inbody = True

def _get_result(self):

return "".join(self._result).strip()

result = property(_get_result)

# 应用入口

if __name__ == '__main__':

sExceptionHtml = '''<span>出错的html标签:</span><div id='error'>

<img src="http://www.onejoo.com/daylife_media/images/articlesid/1.jpg" temp_src="http://www.onejoo.com/daylife_media/images/articlesid/1.jpg" border="0"

onmouseover="if(this.width>screen.width*0.7) {this.resized=true; this.width=screen.width*0.7;

this.style.cursor='hand';this.alt='Click here to open new window\nCTRL+Mouse wheel to zoom in/out';}"

onload="if(this.width>screen.width*0.7) {this.resized=true; this.width=screen.width*0.7;

this.alt='Click here to open new window\nCTRL+Mouse wheel to zoom in/out';}"

/>寒!<br /></div>'''

soup = BeautifulSoup(sExceptionHtml,fromEncoding='gbk')

body_content = soup.findAll('div',attrs={'id' : re.compile("^error")})

print '----------------------'

print body_content[0]

print '----------------------'

sExceptionHtml = replaceHTMLTag(sExceptionHtml).strip()

print '----------------------'