Question

我对于pyparsing来说是全新的如何将类pyparsing.ParseResults的实例转换回html字符串。

离。

>>> type(gcdata)
<type 'unicode'>
>>> pat
{<"div"> SkipTo:(</"div">) </"div">}
>>> type(pat)
<class 'pyparsing.And'>
>>> 
>>> l = pat.searchString( gcdata  )
>>> l[0]
(['div', ([u'class', u'shoveler'], {}), ([u'id', u'purchaseShvl'], {}), False, u'<div class="shoveler-heading">\n    <p>Customers Who Bought This Item Also Bought</p>\n    \n', '</div>'], {'startDiv': [((['div', ([u'class', u'shoveler'], {}), ([u'id', u'purchaseShvl'], {}), False], {u'class': [(u'shoveler', 1)], 'empty': [(False, 3)], u'id': [(u'purchaseShvl', 2)]}), 0)], 'endDiv': [('</div>', 5)], u'class': [(u'shoveler', 1)], 'empty': [(False, 3)], u'id': [(u'purchaseShvl', 2)]})
>>> 
>>> type(l[0])
<class 'pyparsing.ParseResults'>
>>> 
>>> divhtml = foo (l[0])

所以，我需要这个功能 foo 有什么建议吗？

Answer 1

使用返回DOM的HTML解析器会更好，例如lxml.html，但我怀疑你这样做是为了学习Pyparsing。由于您没有发布一段源代码，我已经进行了一些猜测并使用pyparsing.makeHTMLTags做了一个示例，如下所示。

import cgi
from pyparsing import makeHTMLTags, SkipTo

raw = """<body><div class="shoveler" id="purchaseShvl">
<p>Customers who bought this item also bought</p>
<div class="foo">
    <span class="bar">Shovel cozy</span>
    <span class="bar">Shovel rack</span>
</div>
</div></body>"""

def foo(parseResult):
    parts = []
    for token in parseResult:
        st = '<div id="%s" class="%s">' % \
             (cgi.escape(getattr(token, 'id')),
             cgi.escape(getattr(token, 'class')))
        parts.append(st + token.body + token.endDiv)
    return '\n'.join(parts)

start, end = makeHTMLTags('div')
anchor = start + SkipTo(end).setResultsName('body') + end
res = anchor.searchString(raw)
print foo(res)

Answer 2

这是makeHTMLTags返回的表达式的一个问题，很多额外的分组和命名都在继续，如果您只想要标记文本，这会妨碍您。

Pyparsing包含方法originalTextFor以帮助解决此问题。基于@samplebias的示例代码：

start, end = makeHTMLTags('div')
#anchor = start + SkipTo(end).setResultsName('body') + end 
anchor = originalTextFor(start + SkipTo(end).setResultsName('body') + end)

通过将表达式包装在originalTextFor中，标记到其组成部分的所有分解都将被撤消，您只需从原始字符串中获取文本（还包括任何插入的空格）。默认行为是只返回此字符串，这会导致丢失所有结果名称的不幸副作用，因此返回解析的属性值可能会很麻烦。当我写originalTextFor时，我认为字符串是想要的，我无法将结果名称附加到字符串。所以我向asString添加了一个可选参数originalTextFor，默认为True，但如果传递为False，则会返回一个ParseResults，其中只包含整个匹配字符串的单个标记， plus 所有匹配的结果名称。因此，您仍然可以从结果中提取res.id，而res[0]会返回整个匹配的HTML。

其他一些评论：

<div>是一个非常常见的标记，只使用makeHTMLTags返回的标记就可以轻松匹配。它将匹配任何 div，可能还有许多您并不感兴趣。如果您可以使用withAttribute指定一些也应匹配的属性，则可以减少不匹配的数量。你可以这样做：

start.setParseAction(withAttribute(id="purchaseShvl"))

或

start.setParseAction(withAttribute(**{"class":"shovelr"}))

（使用'class'作为过滤属性可能是你想要做的最常见的事情，但由于'class'也是一个Python关键字，你可以像使用id一样使用命名参数形式，太糟糕了。）

最后，<div>的共性是嵌套的可能性。 div经常嵌套在div中，而且只是简单的SkipTo不够聪明，不能将其考虑在内。我们在重建您发布的结果时看到了这一点：

<div class='shovelr' id='purchaseShvl> <div class='shovelr-heading'> <p>Customers WhoBought This Item Also Bought</p> </div>

第一个终止</div>结束表达式的匹配。我怀疑您可能需要扩展匹配表达式以考虑这些额外的div，而不仅仅是简单的SkipTo（结束）。

将pyparsing.ParseResults转换回html字符串

2 个答案: