获取新浪网的链接信息

sgmllib.py 包含一个重要的类: SGMLParser。SGMLParser 将 HTML 分解成有用的片段， 比如开始标记和结束标记。一旦它成功地分解出某个数据为一个有用的片段，它会根据 所发现的数据，调用一个自身内部的方法。为了使用这个分析器，您需要子类化 SGML- Parser类，并且覆盖这些方法。

SGMLParser类里面包含了很多内部方法，开始读取html后，遇到相应的数据就会调用其对应的方法，最重要的方法有三个：

• start_tagname(self, attrs)
• end_tagname(self)
• handle_data(self, text)

tagname就是标签名称，比如当遇到<pre>，就会调用start_pre，遇到</pre>，就会调用 end_pre，attrs即为标签的参数，以[(attribute, value), (attribute, value), ...]的形式传回，我们要做的就是在其子类重载自己感兴趣标签对应的函数。

from sgmllib import SGMLParser
import urllib
import urllib2
import socket
socket.setdefaulttimeout(210)

class URLLister(SGMLParser):
    def reset(self):
        self.url=[]
        SGMLParser.reset(self)
   
    def start_a(self,attrs):
        href=[v for k,v in attrs if k=='href']
        if href:
            self.url.extend(href)

parser=URLLister()

myurl='http://www.sina.com.cn'
request=urllib2.Request(myurl)
opener=urllib2.build_opener()
page=opener.open(request)

if page.code==200:
    predata=page.read()
    parser.feed(predata)
    print parser.url,"\n"