使用 AppleScript 解析 HTML 源代码答案

【问题标题】：Parsing HTML source code using AppleScript使用 AppleScript 解析 HTML 源代码
【发布时间】：2012-04-30 21:50:03
【问题描述】：

我正在尝试解析已在 Automator 中转换为 TXT 文件的 HTML 文件。

我之前使用 Automator 从网站下载了 HTML 文件，现在我正在努力解析源代码。

最好只获取表格的信息，我需要对 1800 个不同的 HTML 文件重复此操作。

以下是源代码示例：

</head>
<body>
<div id="header">
    <div class="wrapper">
        <span class="access">
        <div id="fb-root"></div>


    <span class="access">
     Gold Account: <a class="upgrade" title="Account Details" href="http://www.hedge-professionals.com/account-details.html" >Active </a>       Logged in as Edward&nbsp;&nbsp; | &nbsp;&nbsp;<a href="javascript:void(0);" onclick='logout()' class="logout">Sign Out</a>

    </span>
                                    </span>
    </div><!-- /wrapper -->
</div><!-- /header -->

<div id="masthead">
    <div class="wrapper">   
        <a href="http://www.hedge-professionals.com" ><img src="http://www.hedge-professionals.com/images/hedgep_logo_white.png" alt="Hedge Professionals Database" width="333" height="46" class="logo" border="0" /></a>
        <div id="navigation">
            <ul>
<li ><a href='http://www.hedge-professionals.com/dashboard.html' >Dashboard</a></li>    <li ><a href='http://www.hedge-professionals.com/people.html'class='current' >People</a></li><li ><a href='http://www.hedge-professionals.com/watchlists.html' >My Watchlists</a></li><li ><a href='http://www.hedge-professionals.com/my-searches.html' >My Searches</a></li><li ><a href='http://www.hedge-professionals.com/my-profile.html' >My Profile</a></li></ul>               
        </div><!-- /navigation -->

    </div><!-- /wrapper -->     
</div><!-- /masthead -->


<div id="content">
    <div class="wrapper">
        <div id="main-content">

 <!-- per Project stuff -->
    <span class="section">
                <img src="http://www.hedge-professionals.com/images/people/noimage_53x53.jpg" alt="Christian Sieling" width="52" height="53" class="profile-pic" id="profile-pic-104947"/>
                <h1><span id="profile-name-104947" >Christian Sieling</span></h1>
                                    <ul class="gbutton-group right">
                    <li><a class="gbutton bold pill" href="http://www.hedge-professionals.com/people.html">&laquo; Back </a></li>
                    <li><a class="gbutton bold pill boxy on-click" href="http://www.hedge-professionals.com/addtoWatchlist.php?usr=114752"  id="row-104947" title='Add to Watchlist' >Add to Watchlist</a></li>
                </ul>

                <div style="float:right;padding:3px 3px;text-align:center;margin-top:5px;" >
                <span id="profile-updated-date" >Updated On: 4 Aug, 2010</span><br/>
                <a class="gbutton bold pill" href="http://www.hedge-professionals.com/profile/suggest/people/104947/Christian-Sieling" style="margin:5px;" title='Report Inaccurate Data' >Report Inaccurate Data</a>
                </div>
                                    <h2><span id="profile-details-104947" > at <a href="http://www.hedge-professionals.com/quicksearch/search/Lumix+Capital+Management+Ltd." ><span title='Lumix Capital Management Ltd.' >Lumix Capital Management Ltd.</span></a></span><input type="hidden" name="sub-id" id="sub-id" value="114752"></h2>

            </span>

            <table width="100%" border="0" cellspacing="0" cellpadding="0" id="profile-table">
                                                        <tr>
                    <th>Role</th>
                    <td>
                    <p>Other</p>                            </td>
                </tr>
                <tr>  
                    <th>Organisation Type</th>
                    <td>
                    <p>Asset Manager</p>                        </td>
                </tr>
                <tr>
                    <th>Email</th>
                    <td><a href="mailto:cs@lumixcapital.com" title="cs@lumixcapital.com" >cs@lumixcapital.com</a></td>
                </tr>
                <tr>
                    <th>Website</th>
                    <td><a href="http://www.lumixcapital.com/" target="_new" title="http://www.lumixcapital.com/" >http://www.lumixcapital.com/</a></td>
                </tr>
                <tr>
                    <th>Phone</th>
                    <td>41 78 616 7334</td>
                </tr>
                <tr>
                    <th>Fax</th>
                    <td></td> 
                </tr>
                <tr>
                    <th>Mailing Address</th>
                    <td>Birrenstrasse 30</td>
                </tr>
                <tr>
                    <th>City</th>
                    <td>Schindellegi</td>
                </tr>
                <tr>
                    <th>State</th>
                    <td>CH</td>
                </tr>
                <tr>
                    <th>Country</th>
                    <td>Switzerland</td>
                </tr>
                <tr>
                    <th class="lastrow" >Zip/ Postal Code</th>
                    <td class="lastrow" >8834</td>
                </tr>
        </table>
                </div><!-- /main-content -->
                    <div id="sidebar"  >
                    </div>

            <div id="similar_sidebar" class="similar_refine" >



            </div>
                            </div><!-- /wrapper -->
</div><!-- /content -->

<div id="footer">

</div>

我的 AppleScript 尝试使用 text item delimiters 以类似方式提取表格：

set p to input
set ex to extractBetween(p, "<table>", "</table>") -- extract the URL
to extractBetween(SearchText, startText, endText)
set tid to AppleScript's text item delimiters
set AppleScript's text item delimiters to startText
set endItems to text of text item -1 of SearchText
set AppleScript's text item delimiters to endText
set beginningToEnd to text of text item 1 of endItems
set AppleScript's text item delimiters to tid
return beginningToEnd
end extractBetween

如何从 HTML 文件中解析表格？

【问题讨论】：

但如果 AppleScript 将您从多年繁重的工作中拯救出来，您不会有这种感觉，就像它为出版和其他创意领域的数百万人所做的那样。

标签： html parsing applescript delimiter automator

【解决方案1】：

您可以通过 do javascript 命令在 Safari 中利用 HTML 解析器，而不是制作自己的 HTML 解析器。 JavaScript 具有处理 HTML 元素和数据的内置功能。

此脚本仅获取页面中第一个表的 HTML：

tell application "Safari"
    tell document 1
        set theFirstTableHTML to do JavaScript "document.getElementsByTagName('table')[0].innerHTML"
    end tell
end tell

您可以使用此技术将基本的 DOM 脚本应用到任何页面并抓取您想要读取的任何数据。您可以只获取表格单元格的值，也可以获取任何您想要的值。

【讨论】：

【解决方案2】：

你真的很亲密。问题是您的 startText 变量。起始表格标记不在 html 文本中，因此无法找到。开始表格的那一行其实是……

<table width="100%" border="0" cellspacing="0" cellpadding="0" id="profile-table">

所以我修改了您的代码以分两步查找该标签。首先...

<table

然后这个单独...

通过这种方式，我们可以忽略表格标签附带的所有代码（宽度、边框等），因为我认为它会因文件而异。这样做之后，我们只得到表的代码。试试这个...

set p to input
set ex to extractBetween(p, "<table", ">", "</table>")

to extractBetween(SearchText, startText1, startText2, endText)
    set tid to AppleScript's text item delimiters
    set AppleScript's text item delimiters to startText1
    set endItems to text item -1 of SearchText
    set AppleScript's text item delimiters to endText
    set beginningToEnd to text item 1 of endItems
    set AppleScript's text item delimiters to startText2
    set finalText to (text items 2 thru -1 of beginningToEnd) as text
    set AppleScript's text item delimiters to tid
    return finalText
end extractBetween

【讨论】：

但是，通过一个简单的“获取段落”，我能够选择我想要的内容set sourceFile to (choose file) // set newContent to read sourceFile // get paragraphs 247 thru 306 of newContent
那是单文件解决方案。
不知道为什么它不适合你。它有效……相信我。你一定有别的事情在做。正如 adayzdone 所提到的，您的解决方案仅适用于一个文件。段落编号显然会随着每个文件而变化。
@regulus6633 你是对的，对不起。我试图修改 HTML 标签以更好地适应我正在解析的内容，但它不起作用（不知道为什么，仍在尝试）。但后来我用你提供的源代码尝试了applescript，它运行良好。谢谢

【解决方案3】：

试试：

set xxx to read alias "Mac OS X:Users:paolo:Desktop:paolo.html"
set yyy to do shell script "echo " & quoted form of xxx & " | grep -o \\<table.*table\\>"

【讨论】：

【解决方案4】：

行之有效的单线奇迹：

告诉应用程序“Safari”将 sourceCode 设置为字符（<table 在（文档 1 的源为字符串）中的偏移量）thru（（“/table”在（文档 1 的源为字符串）中的偏移量）+（（文档 1 的来源为字符串）的“/table”））计数为字符串

【讨论】：