疑似BUG:Python SGMLParser处理html中的javascript失当

liuxiaoyun111

疑似BUG：SGMLParser处理html标签中的javascript时特定情况下失当
库：Python2.4/2.5的sgmllib库
牵连库：Beautiful Soup version 3.0.5以及3.0.3版本

举例：
html代码如下定义：

    sExceptionHtml = '''出错的html标签:
寒!'''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：
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';}"
  
/>
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 = '''出错的html标签:
寒!'''
    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 '----------------------'
    print sExceptionHtml
    print '-----------------------'
    　　
结论：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。zhengyun 20080115