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phthon的机会很少，phthon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phthon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

 

分类: python