记得之前写过一篇文章，html2javaben,并发布了一个相关的组件，大概的功能就是把抓取的html页面后抽取其中的结构化数据进行二次加工。最近在用python也在写一个好玩的抓取网页的东西，也想封装一个python版的这样的组件用，想不到前后大概花了2个小时构思，2个小时编码就搞定了。想起了以前用java写这个东西时，总是免不了最后出来的东西让你特别有“成就感”,看这包名结构就知道了，呵呵。
现在就用python去实现这个功能，感受下这个愉快的过程.
我们还是以之前文章中的html代码做为示例：
| "width: 100px;" align="left"> 姓名： | tony |
|---|---|
| "left"> 员工编号： | ite00395 |
| "left"> 性别： | man |
| "left"> Email： | [email protected] |
| "left"> MSN： | [email protected] |
| "left"> 公司电话： | 13712548548 |
| "left"> 移动电话： | 1371489634 |
| "left"> 所属部门： | "middle"> P后台项目组 |
| "left"> 部门地址： | "middle"> |
现在我们需要抽取的数据是这样的格式：
{'Name':'tony',
'Work':'ite00395',
'Sex':'man',
'Email':'[email protected]',
'Msn':'[email protected]',
'Phone':'13712548548',
'Mobile':'Mobile',
'Department':'P后台项目组',
'DeptAddress':''}
我希望封装的解析组件能完成如下的代码：
html_regular = {'Name':r'(.+?)', 'Work':r'(.+?)', 'Sex':r'(.+?)', ........} HtmlParser(html_regular).parse(html)
上面两句代码的意思很明确：第一句代码是定义了html字符中我们待抽取的结构化数据的组织形式，即通过什么样的正则表达式去把这些数据匹配出来。第二句代码就是构造一个解析器去解析指定的html参数，输出我们想要的结构化数据.
对于比较复杂的数据结构，如List对象，嵌套对象，等等，我们也要提供支持。
list_regular = [{'groupKey':r'在html源码中分隔List数据的分隔符代码'},
{'description':r'匹配description的正则表达式',
'date':r'匹配date的正则表达式'}]
以上结构是抽取List重复数据时的表达式定义：List中必需有且只有两个元素，第一个'groupKey'是对当前List结构在Html源码中的分隔字符，第二个元素是List组成元素的正则表达式匹配描述。
还是以前面的Html源码举例，如果现在的Html中有多个这个的数据：
<table style="height: 306px; width: 99%;"> <tr> <th style="width: 100px;" align="left"> 姓名：th> <td> <span id="lblName">tony1span> td> tr> .... .... .... table> <table style="height: 306px; width: 99%;"> <tr> <th style="width: 100px;" align="left"> 姓名：th> <td> <span id="lblName">tony2span> td> tr> .... .... .... table> <table style="height: 306px; width: 99%;"> <tr> <th style="width: 100px;" align="left"> 姓名：th> <td> <span id="lblName">tony3span> td> tr> .... .... .... table>
可以看到这里的结构就是List，且有三个元素数据。所以这时的regular表达式应该这样描述：
list_regular = [{'groupKey':r''},
{'Name':r'(.+?)',
...}]
以上描述完了我们希望的这个组件所具有的功能后，我们再看下具体的实现代码：
1 # encoding: utf-8
2
3 import re
4
5 """
6 Translate string of html to obj by specified regular
7 """
8
9 class HtmlParser():
10 def __init__(self,regular):
11 self.regular = regular
12
13 def parse(self,html):
14 return parseNode(self.regular,html)
15
16
17 def processReg(exp,html):
18 p = re.compile(exp,re.DOTALL)
19 m = p.search(html)
20 if m:
21 try:
22 return m.group(1).strip()
23 except IndexError:
24 pass
25
26
27
28
29 def parseNode(node,html):
30 if type(node) is list:
31 objList = []
32 for itemStr in getSubHtmlGenerator(node[0]['groupKey'],html):
33 objList.append(parseNode(node[1],itemStr))
34 return objList
35 else:
36 obj = {}
37 for name,regular in node.items():
38 if type(regular) is str:
39 obj[name] = processReg(regular,html)
40 else:
41 obj[name] = parseNode(regular,html)
42 return obj
43
44
45
46 def getSubHtmlGenerator(groupKey,html):
47 while True:
48 start = html.find(groupKey)
49 if start != -1:
50 end = html[start+len(groupKey):].find(groupKey)
51 if end!= -1:
52 yield html[start:end + start + len(groupKey)]
53 html = html[end+start+len(groupKey):]
54 else:
55 yield html[start:]
56 break
57 else:
58 break
可以看到，包括注释加空行，总共58行代码，如果大家遇到过这样的需求和看过上面所写的这些，应该知道这58行代码所做的事，是不是很简单?
总结：
我写这篇文章不是说想介绍我写的这个组件，因为它都称不上一个组件，只是写了一个类，提供了一个方法。我真正的想说的是python这个语言所强在的东西，数据结构即代码，所写的，即是所表达的意思，简单清晰。
转载于:https://www.cnblogs.com/jcli/archive/2013/03/04/2942935.html