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
作者： Leo_wl
出处： http://www.cnblogs.com/Leo_wl/
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。
版权信息查看更多关于用python去抓取网页上emoji的Unicode编码和SB Unicode编码的详细内容...