《Python基础教程（第2版）》学习笔记（一）：

Proj1即时标记

本文将介绍如何利用python出色的文本处理能力–包括使用正则表达式将纯文本文件该写成语言中的标记（本文是HTML语言）。

工作与目标

要做的工作基本上是将各种文本元素分类，比如标题和被强调的文本，然后明确地标记它们。本文中是给文本添加HTML标记，使得到的文档能在浏览器中显示并能作为一个网页使用。

工具

-要对文件进行读写，或者从标准输入（sys.stdin）读取，利用print输出
-需要对输入的行进行迭代
-需要一些字符串方法
-需要一个或者两个生成器
-需要用到正则表达式的 re模块

准备工作

开始编码前，编写一个测试文件test_input.txt(本文所提到的所有文件都可以从该链接下载proj1即时标记)

初次实现

基本思路是先把文本分成段落，再根据不同的段落属性添加标记。

找出文本块（段落）

找出块的一个简单方法就是收集遇到的所有行，直到遇到一个空行，然后返回已经收集的行。注意：必须确保文件最后一行是空行，否则程序不知道最后一个块什么时候结束。util.py文件是一个文本块生成器，其中的lines(file)函数实现了添加空行的功能，blocks(file)实现了找出段落的功能。

添加标记

该部分见文件simple_markup.py,这个简单版本只能标记标题和段落两种元素。下面是更完善的版本。

再次实现

列出一些模块：
-语法分析器。用来读取文本，管理其他类的对象。
-规则。可以为每个种类的块制定一条规则，能检测使用的块类型并且进行适当的格式化。
-过滤器。使用过滤器来包装一些处理内嵌元素（如url）的正则表达式.
-处理程序。语法分析器使用处理程序来产生输出。每个处理程序能产生不同种类的标记。

处理程序

负责产生标记文本。每个类型有一对方法：开始和结束块。如下面的方式：

    def start_paragraph(self):
        print '<p>'
    def end_paragraph(self):
        print '</p>'

类似上面这段代码都被封装在HTMLRenderer类中，该类继承了Handler类。这个超类管理具体的子类的方法的调用。比如要调用start_paragraph(),就把这两个单词作为单独的字符串，再合在一起作为函数名，查找该函数是否可以调用。如下所示：

    def start(self,name):
        self.callback('start_',name)
    def end(self,name):
        self.callback('end_',name)
    def sub(self,name):
        def substitution(match):
            result = self.callback('sub_',name,match)
            if result is None:
                match.group(0)
            return result
        return substitution

其中的sub函数不直接调用callback，而是返回一个新的函数，这个函数会被当成re.sub中的替换函数来使用（这就是采用一个匹配的对象作为唯一参数的原因）。

规则

规则必须具备如下功能：
-能识别自己是用于哪种块
-能对块进行转换（操作）
因此每个规则对象都有两个方法，condition和action。除了列表，其他段落属性都具有相同的操作，把这些相同的操作作为基类Rule的方法，具体的段落属性都继承这个基类。

class Rule:
    """
    所有规则的基类。
    """

    def action(self,block,handler):
        handler.start(self.type)
        handler.feed(block)
        handler.end(self.type)
        return True

语法分析器（parser）

Parser类使用一个处理程序、一系列规则和过滤器（处理内嵌元素url等）将纯文本文件转换成标记文件，控制整个工程的行为。BasicTextParser类是Parser类的子类，负责添加具体的规则和过滤器

总结

笔者不太懂HTML语法格式，不过参考文中给出的W3C上Dave Raggett所写的优秀简介Get Start with HTML还是略有收获。