Python应用－［用Python去抓取网页上emoji的Unicode编码和SB Unicode编码］
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[i]] = self.emojiSB[i] 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。
<tr> <td>Unicode</td> <td>U+2B06</td> <td>U+2B07</td> <td>U+2B05</td> <td>U+27A1</td> <td>U+2197</td> <td>U+2196</td> <td>U+2198</td> <td>U+2199</td> <td>U+25C0</td> <td>U+25B6</td> <td>U+23EA</td> </tr>
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
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
