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

#coding=utf-8
import urllib2
from HTMLParser import HTMLParser

class MyHtmlParser(HTMLParser):
    # class attribute defined here    

    def __init__(self):  # python class的构造方法
        HTMLParser.__init__(self) #必须调用基类的constructor    
        #实例属性    
        self.record = False
        self.emojiUnicodes = dict()
        self.emojiSB = dict()
        self.uniSBMap = dict()
        self.isUni = False
        self.isSB = False
        self.numUni = 0
        self.numSB = 0

    def handle_starttag(self, tag, attrs):
        if tag == "table":
            print attrs  # attrs 是 list
            for attr in attrs:  # attr 是 tuple
                print attr
                (name, value) = attr
                print name
                print value
        if tag != "td":
            self.record = False
            self.isUni = False
            self.isSB = False

    def handle_data(self, data):
        if data == "Unicode" or data == "SB Unicode":
            self.record = True
            if data == "Unicode":
                self.isUni = True
            if data == "SB Unicode":
                self.isSB = True
            return 
        if self.record:    #bool 类型
            if data.find("\n") != -1:  #忽略掉不知道哪里来的换行符
                return 
            if self.isUni:
                dataList = data.split(" ")
                self.numUni += 1
                for code in dataList:    
                    code = code[2:]
                    code = "000" + code
                    self.emojiUnicodes[self.numUni] = code
                    return
            if self.isSB:
                self.numSB += 1
                self.emojiSB[self.numSB] = data
                return
    
    #生成网页上(key, value)为(Unicode, SBCode)的dict
    def processMap(self):
        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
            self.uniSBMap[self.emojiUnicodes[i]] = self.emojiSB[i]


def processEmoji(url):
    print "destination url: ", url
    #把目标网页的html先扒到本地
    htmlfile = urllib2.urlopen(url)
    data = htmlfile.read()
    
    #把网页html文本写到./wyfile中
    fp = open("./wyfile", 'a')
    fp.write(data)
    fp.close()
    
    #用自己定义的htmlParser处理htmlfile
    parser = MyHtmlParser()
    parser.feed(data)
    parser.processMap()
    print parser.emojiUnicodes, "\nnumUni=", parser.numUni, "\n", parser.emojiSB, "\nnumSB=", parser.numSB, "\n ", parser.uniSBMap
    
    #单独把emoji.txt中不存在的条目 写成一个map
    newMap = dict()
    for key in parser.emojiUnicodes:
        value = parser.emojiUnicodes[key]
        if value not in emojiMap: #这里访问的emojiMap是下面定义的全局的
            print (value, parser.uniSBMap[value]) #可以这样来print出一个tuple
            newMap[value] = parser.uniSBMap[value]
    return newMap  #返回生成的dict


#把emoji.txt中内容读到 emojiMap中
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
emojiMap = dict()
for line in fp:
    if line == "\n" : #跳过空行
        continue
    line.strip()
    (name, value) = line.split() #string的split()默认以" "作为分隔符
    emojiMap[name] = value
fp.close()

#所有的要去抓取的urls，还是写死了
baseUrl = "http://punchdrunker.github.com/iOSEmoji/table_html/"
urlList = ["index.html", "flower.html", "bell.html", "vehicle.html", "number.html"]
codeDict = dict() #用来保存每个网页新的条目的总和
for url in urlList:
    url = baseUrl + url
    newMap = processEmoji(url)
    codeDict.update(newMap) #dict的合并

#把codeDict写到emoji.txt中
print codeDict
fp = open("./emoji.txt", 'a') # 以追加模式打开emoji.txt
fp.write("\n")
for key in codeDict:  # dict的遍历要像这样
    line = key + " " + codeDict[key] + "\n"
    fp.write(line)
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