写python代码的一点感想

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。

写python代码的一点感想

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:

<table style="height: 306px; width: 99%;">

    <tr>

        <th style="width: 100px;" align="left">

            姓名:</th>

        <td>

            <span id="lblName">tony</span>

        </td>

    </tr>

    <tr>

        <th align="left">

            员工编号:</th>

        <td>

            <span id="lblWork">ite00395</span>

        </td>

    </tr>

    <tr>

        <th align="left">

            性别:</th>

        <td>

            <span id="lblSex">man</span>

        </td>

    </tr>

    <tr>

        <th align="left">

            Email:</th>

        <td>

            <span id="lblEmail">[email protected]</span>

        </td>

    </tr>

    <tr>

        <th align="left">

            MSN:</th>

        <td>

            <span id="lblMsn"> [email protected]</span>

        </td>

    </tr>

    <tr>

        <th align="left">

            公司电话:</th>

        <td>

            <span id="lblPhone">13712548548</span>

        </td>

    </tr>

    <tr>

        <th align="left">

            移动电话:</th>

        <td>

            <span id="lblMobile">1371489634</span>

        </td>

    </tr>

    <tr>

        <th align="left">

            所属部门:</th>

        <td valign="middle">

            <span id="lblDepartment">P后台项目组</span>

        </td>

    </tr>

    <tr>

        <th align="left">

            部门地址:</th>

        <td valign="middle">

            <span id="lblDeptAddress"></span>

        </td>

    </tr>

</table>

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'<span id="lblName">(.+?)</span>',

                'Work':r'<span id="lblWork">(.+?)</span>',

                'Sex':r'<span id="lblSex">(.+?)</span>',

                ........}

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">tony1</span>

        </td>

    </tr>

    ....

    ....

    ....

</table>

<table style="height: 306px; width: 99%;">

    <tr>

        <th style="width: 100px;" align="left">

            姓名:</th>

        <td>

            <span id="lblName">tony2</span>

        </td>

    </tr>

    ....

    ....

    ....

</table>  

<table style="height: 306px; width: 99%;">

    <tr>

        <th style="width: 100px;" align="left">

            姓名:</th>

        <td>

            <span id="lblName">tony3</span>

        </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'<table style="height: 306px; width: 99%;">'},

                {'Name':r'<span id="lblName">(.+?)</span>',

                   ...}]

 

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。

你可能感兴趣的:(python)