设为首页 收藏本站
查看: 983|回复: 0

[经验分享] Python应用-[用Python去抓取网页上emoji的Unicode编码和SB Unicode编码]

[复制链接]

尚未签到

发表于 2015-4-20 11:15:54 | 显示全部楼层 |阅读模式
  关于IOS emoji表情的编码问题是这样的,IOS4.0以前emoji采用的是SoftBank的那套编码,叫做SB_Unicode, 而且IOS5时,emoji被放进了Unicode6.0, 此后IOS采用的是Unicode编码,为了在新老IOS应用程序(如微信,我们在做的人人的私信)之间传递emoji表情,就必须在后台做一个编码的转换,苹果系统自带的iMessage当然自己在后台或是前台完成了这个转换
  昨天折腾了一天,要完成这么一个工作,从gibhub这上面 http://punchdrunker.github.com/iOSEmoji/table_html/index.html 把最新的编码给更新到配置文件,然后我写了一个python脚本来完成这个工作 (我此时才发现在wiki上有现成的文本的网页http://www.unicode.org/Public/UNIDATA/EmojiSources.txt  .....)
  通过个这个也学习了Python,在这之前写Python的机会很少,Python写起来确实比C++要爽和快,代码如下



  1 #coding=utf-8
  2 import urllib2
  3 from HTMLParser import HTMLParser
  4
  5 class MyHtmlParser(HTMLParser):
  6     # class attribute defined here   
  7
  8     def __init__(self):  # python class的构造方法
  9         HTMLParser.__init__(self) #必须调用基类的constructor   
10         #实例属性   
11         self.record = False
12         self.emojiUnicodes = dict()
13         self.emojiSB = dict()
14         self.uniSBMap = dict()
15         self.isUni = False
16         self.isSB = False
17         self.numUni = 0
18         self.numSB = 0
19
20     def handle_starttag(self, tag, attrs):
21         if tag == "table":
22             print attrs  # attrs 是 list
23             for attr in attrs:  # attr 是 tuple
24                 print attr
25                 (name, value) = attr
26                 print name
27                 print value
28         if tag != "td":
29             self.record = False
30             self.isUni = False
31             self.isSB = False
32
33     def handle_data(self, data):
34         if data == "Unicode" or data == "SB Unicode":
35             self.record = True
36             if data == "Unicode":
37                 self.isUni = True
38             if data == "SB Unicode":
39                 self.isSB = True
40             return
41         if self.record:    #bool 类型
42             if data.find("\n") != -1:  #忽略掉不知道哪里来的换行符
43                 return
44             if self.isUni:
45                 dataList = data.split(" ")
46                 self.numUni += 1
47                 for code in dataList:   
48                     code = code[2:]
49                     code = "000" + code
50                     self.emojiUnicodes[self.numUni] = code
51                     return
52             if self.isSB:
53                 self.numSB += 1
54                 self.emojiSB[self.numSB] = data
55                 return
56     
57     #生成网页上(key, value)为(Unicode, SBCode)的dict
58     def processMap(self):
59         for i in range(1, self.numUni+1):  #注意这里range()的用法, range(start, end), 只会遍历到最大的比end小的数,不会等于end
60             self.uniSBMap[self.emojiUnicodes] = self.emojiSB
61
62
63 def processEmoji(url):
64     print "destination url: ", url
65     #把目标网页的html先扒到本地
66     htmlfile = urllib2.urlopen(url)
67     data = htmlfile.read()
68     
69     #把网页html文本写到./wyfile中
70     fp = open("./wyfile", 'a')
71     fp.write(data)
72     fp.close()
73     
74     #用自己定义的htmlParser处理htmlfile
75     parser = MyHtmlParser()
76     parser.feed(data)
77     parser.processMap()
78     print parser.emojiUnicodes, "\nnumUni=", parser.numUni, "\n", parser.emojiSB, "\nnumSB=", parser.numSB, "\n ", parser.uniSBMap
79     
80     #单独把emoji.txt中不存在的条目 写成一个map
81     newMap = dict()
82     for key in parser.emojiUnicodes:
83         value = parser.emojiUnicodes[key]
84         if value not in emojiMap: #这里访问的emojiMap是下面定义的全局的
85             print (value, parser.uniSBMap[value]) #可以这样来print出一个tuple
86             newMap[value] = parser.uniSBMap[value]
87     return newMap  #返回生成的dict
88
89
90 #把emoji.txt中内容读到 emojiMap中
91 fp = open("./emoji.txt", 'a+') #追加和读模式打开./emoji.txt时,不存在就会自动创建
92 emojiMap = dict()
93 for line in fp:
94     if line == "\n" : #跳过空行
95         continue
96     line.strip()
97     (name, value) = line.split() #string的split()默认以" "作为分隔符
98     emojiMap[name] = value
99 fp.close()
100
101 #所有的要去抓取的urls,还是写死了
102 baseUrl = "http://punchdrunker.github.com/iOSEmoji/table_html/"
103 urlList = ["index.html", "flower.html", "bell.html", "vehicle.html", "number.html"]
104 codeDict = dict() #用来保存每个网页新的条目的总和
105 for url in urlList:
106     url = baseUrl + url
107     newMap = processEmoji(url)
108     codeDict.update(newMap) #dict的合并
109
110 #把codeDict写到emoji.txt中
111 print codeDict
112 fp = open("./emoji.txt", 'a') # 以追加模式打开emoji.txt
113 fp.write("\n")
114 for key in codeDict:  # dict的遍历要像这样
115     line = key + " " + codeDict[key] + "\n"
116     fp.write(line)
117 fp.close()
  这个程序做的就是去读取这几个网页上emoji表情的Unicode和SB_Unicode编码,然后更新本地的配置文件emoji.txt,如果配置文件中没有,则把它加上
  1, 自己定义的MyHtmlParser从2.7的标准库的 HTMLParser.HTMLParser派生,重写了 handle_starttage()和handle_data()两个函数, 我去分析了一上网页的HTML内容,其中我要扒取的内容的html形式如下,基于html这部份的内容的分析,在handle_data中实现了主要的逻辑,用了一个record成员变量来记录是否是需要记录此是遇到的数据,注意一下我在什么情况下打开和关掉这个变量,每次这个类被调用会生成一个dict,就是这个html文件中的emoji表情的unicode和SB_unicode的对应。




Unicode
U+2B06
U+2B07
U+2B05
U+27A1
U+2197
U+2196
U+2198
U+2199
U+25C0
U+25B6
U+23EA

  
  2,比较奇怪的是在handle_data中我遇到了很多换行符和空格,但是这些在我读到的html文件中都没有,基本上遇到每个data后面都会有换行符和空格,42行的代码把它处理调了,70到72行我把 html文件写到了本地的./wyfile中
  3,写这个程序的时候也顺便学习了一些python的基础知识,比如第一行的#encoding=utf-8 ,如果没有这一行声明的话,程序里面是写不了注释的,对此这里有说明,暂时没看明白 http://www.python.org/dev/peps/pep-0263/ 。还有list, dictionary, tuple的使用,以及Python中的class及,构造函数__init__(), 如果是子类在其__init__()中对父类__init__()的调用。实例属性初使化,文件对象的使用, for进行遍历等,注意见代码中的注释
  最后在文件中输出的结果形式如下 : 左边是Unicode,右边是对应的SB_Unicode



0001F499  E32A
0001F38F  E43B
0001F38C  E143
00026BE  E016
00026BD  E018
0001F319  E04C

  
  写代码去解决实际问题确实是学习最快的途径,相比单独去看语法书什么的,而且会给你带来成就感和快感,虽然这只是一个简单的小程序,但是我写的时候确实感觉比较high,挺久没体会到写程序让我high的感觉了,所以我发现我还是喜欢这个的。另外粘来一张图,因为我对其它的语言不熟,我感觉它对Python, c,c++, java/c#的表达比较契合我的感觉, 当然java/c#我基本上也不熟
DSC0000.png
  c++的那把刀是真实存在的,叫做winger Giant Knife, 淘宝上有售http://s.taobao.com/search?spm=a230r.1.8.1.8ec807&q=giant-knife-wenger-swiss-army-knife&tab=all
  

运维网声明 1、欢迎大家加入本站运维交流群:群②:261659950 群⑤:202807635 群⑦870801961 群⑧679858003
2、本站所有主题由该帖子作者发表,该帖子作者与运维网享有帖子相关版权
3、所有作品的著作权均归原作者享有,请您和我们一样尊重他人的著作权等合法权益。如果您对作品感到满意,请购买正版
4、禁止制作、复制、发布和传播具有反动、淫秽、色情、暴力、凶杀等内容的信息,一经发现立即删除。若您因此触犯法律,一切后果自负,我们对此不承担任何责任
5、所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其内容的准确性、可靠性、正当性、安全性、合法性等负责,亦不承担任何法律责任
6、所有作品仅供您个人学习、研究或欣赏,不得用于商业或者其他用途,否则,一切后果均由您自己承担,我们对此不承担任何法律责任
7、如涉及侵犯版权等问题,请您及时通知我们,我们将立即采取措施予以解决
8、联系人Email:admin@iyunv.com 网址:www.yunweiku.com

所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其承担任何法律责任,如涉及侵犯版权等问题,请您及时通知我们,我们将立即处理,联系人Email:kefu@iyunv.com,QQ:1061981298 本贴地址:https://www.yunweiku.com/thread-58764-1-1.html 上篇帖子: Python中的模块 下篇帖子: python学习入门
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

扫码加入运维网微信交流群X

扫码加入运维网微信交流群

扫描二维码加入运维网微信交流群,最新一手资源尽在官方微信交流群!快快加入我们吧...

扫描微信二维码查看详情

客服E-mail:kefu@iyunv.com 客服QQ:1061981298


QQ群⑦:运维网交流群⑦ QQ群⑧:运维网交流群⑧ k8s群:运维网kubernetes交流群


提醒:禁止发布任何违反国家法律、法规的言论与图片等内容;本站内容均来自个人观点与网络等信息,非本站认同之观点.


本站大部分资源是网友从网上搜集分享而来,其版权均归原作者及其网站所有,我们尊重他人的合法权益,如有内容侵犯您的合法权益,请及时与我们联系进行核实删除!



合作伙伴: 青云cloud

快速回复 返回顶部 返回列表