Python-сообщество

Lavel · Апрель 11, 2010 21:31:12

Подскажите пожалуйста куда копать.
Есть документ HTML. В основном он состоит из таблиц. Задача состоит в том, чтобы отпарсить его и убрать все лишние теги кроме заданных table, caption, th, tr и td. Также необходимо убрать все атрибуты типа ширина толцина шрифт и пр. Затем работа с базой - во время анализа сознается таблица с именем между <caption>Имя_таблицы</caption> и полями между <th>Имена_полей</th>, и заполняется данными соответственно между тегами <td>Данные</td>
Вот что получилось у меня:

#!/usr/bin/env python
# -*- coding: UTF-8 -*-

import sys,  pg
from HTMLParser import HTMLParser

inFile=file("/other/shels/status.html",  'r')
outFile=file("/other/shels/parsestatus.html", 'w')

class MyHTMLParser(HTMLParser):
    def __init__(self):
        self.parseTag=False
        HTMLParser.reset(self)
        
    def connection(self, query):
        db=pg.connect("dbname='my_base' user='homeuser'")
        query=db.query(query)
        return query

    def handle_starttag(self, tag, attrs):
        if (tag == "table"):
            self.parseStartTag='<'+tag+'>'
            outFile.write(self.parseStartTag)
            self.parseTag=True
        if (tag == "caption"):
            self.parseStartTag='<'+tag+'>'
            outFile.write(self.parseStartTag)
            self.parseTag=True
        if (tag == "th"):
            self.parseStartTag='<'+tag+'>'
            outFile.write(self.parseStartTag)
            self.parseTag=True
        if (tag == "tr"):
            self.parseStartTag='<'+tag+'>'
            outFile.write(self.parseStartTag)
            self.parseTag=True
        if (tag == "td"):
            self.parseStartTag='<'+tag+'>'
            outFile.write(self.parseStartTag)
            self.parseTag=True
        
    def handle_endtag(self, tag):
        if (tag == "table"):
            self.parseEndTag='</'+tag+'>'
            outFile.write(self.parseEndTag)
        if (tag == "caption"):
            self.parseEndTag='</'+tag+'>'
            outFile.write(self.parseEndTag)
        if (tag == "th"):
            self.parseEndTag='</'+tag+'>'
            outFile.write(self.parseEndTag)
        if (tag == "tr"):
            self.parseEndTag='</'+tag+'>'
            outFile.write(self.parseEndTag)
        if (tag == "td"):
            self.parseEndTag='</'+tag+'>'
            outFile.write(self.parseEndTag)
        
        
    def handle_data(self,  data):
        if self.parseTag:
            #outFile.write(data)
            createQuery='CREATE TABLE %s()' %data
            self.connection(createQuery)

if __name__ == '__main__':
    parse = MyHTMLParser()
    for line in inFile:
        parse.feed(line)

Т.е. документ парсится вроде нормально, все лишнее выбрасывается, но вот куда вставить проверку условий для БД я понять не могу. Если вставлять в функцию hadle_starttag(), то можно вытащить оттуда только имя текущего тега, если в handle_data(), то только только данные без проверки условий. Подскажите куда думать?

denz · Апрель 11, 2010 23:50:21

прототип такой:

class MyHTMLParser(HTMLParser):
    def __init__(self, *args, **kwargs):
        self.is_inside_td = False
        self.queries = []
        super(MyHTMLParser, self).__init__(*args, **kwargs)
        

    def handle_starttag(self, tag, attrs):
        if tag == 'td':
            self.is_inside_td = True

    def handle_endtag(self, tag):
        if tag == 'td':
            self.is_inside_td = False
    
    def handle_data(self, data):
        if self.is_inside_td:
            self.queries.append('INSERT .....' % data)

if __name__ == '__main__':
    parsed = MyHTMLParser()
    if parsed.queries:
        #do something with db
        pass

Отредактировано (Апрель 11, 2010 23:52:18)

Lavel · Апрель 12, 2010 08:47:42

Спасибо. Попробую поколупаться в этом направлении.

Yurietc · Апрель 12, 2010 17:42:49

Лучше разделить сложную задачу на две простых.
Отдельно парсить текст
например
Beautiful Soup
regular expressions
И отдельно организовать работу с базой данных.
Google в помощь ;)

Python-сообщество

Уведомления

#1 Апрель 11, 2010 21:31:12

HTMLParser и PostgreSQL

#2 Апрель 11, 2010 23:50:21

HTMLParser и PostgreSQL

#3 Апрель 12, 2010 08:47:42

HTMLParser и PostgreSQL

#4 Апрель 12, 2010 17:42:49

HTMLParser и PostgreSQL

Board footer