文档格式化成HTML

把文档格式化成了THML，并没有处理所有thml规则，只是处理了一部分，功能不重要，重要的是复习熟悉下Python对文档的处理细节。毕竟Python大多数给我的印象都是处理文档。代码里有很多逻辑可能不严谨，这里再次强调只是为了复习字符串以及文档操作。

同时提醒一下，如果运行失败，请删除注释，我是用vs2015编写的，返现当时中文注释导致编码错误运行失败。一共四个文档：

入口文档是markup.py。

参数 python markup.py < xxx.txt > xxx.html

执行效果和代码如下：

Util.py

def lines(file):

    for line in file:yield line

    yield '\n'

def blocks(file):

    block = []

    for line in lines(file):

        if line.strip():   #'\n','\r','\t',' '

            block.append(line);

        elif block:

            yield ''.join(block).strip()

            block = []

Handlers.py

class Handler:

    """

    处理从Parser调用的方法的对象。

    这个解析器会在每个块的开始部分调用start()和end()方法，使用合适的

    块名作为参数，sub()方法会用于正则表达式替换中。当使用了'emphasis'

    这样的名字调用时，它会返回合适的替换函数。

    """

    def callback(self ,prefix ,name ,*args):

        method = getattr(self ,prefix + name ,None)

        if callable(method) : return method(*agrs)

    def start(self ,name):

        self.callback('start_',name);

    def end(self ,name):

        self.callback('end_',name);

    def sub(self ,name):

        def substitution(match):

            result = self.callback('sub_' ,name ,match)

            if result is None: match.group(0)

            return result

        return substitution

class HTMLRenderer(Handler):

    """

    用于生成HTML的具体处理程序

    THMLRenderer内容的方法都是可以通过超类处理程序的start()、

    end()和sub()方法来访问。他们实现了用于HTRML文档的基本标签。

    """

    def start_document(self):

        print('<html><head><title>...</title></head><body>')

    def end_document(self):

        print('</body></html>')

    def start_paragraph(self):

        print('<p>')

    def end_paragraph(self):

        print('</p>')

    def start_heading(self):

        print('<h2>')

    def end_heading(self):

        print('</h2>')

    def start_list(self):

        print('<ul>')

    def end_list(self):

        print('</ul>')

    def start_listitem(self):

        print('<li>')

    def end_listitem(self):

        print('</li>')

    def start_title(self):

        print('<title>')

    def end_title(self):

        print('</title>')

    def sub_emphasis(self ,match):

        return ('<em>%s</em>' % match.group(1))

    def sub_url(self ,match):

        return ('<a href = "%s">%s</a>' % (match.group(1),match.group(1)))

    def sub_mail(self ,match):

        return ('<a href="mailto:%s">%s</a>' % (match.group(1),match.group(1)))

    def feed(self ,data):

        print(data)

Rules.py

class Rule:

    """

    所有规则的基类。

    """

    def action(self ,block ,handler):

        handler.start(self.type)

        handler.feed(block)

        handler.end(self.type)

        return True

class HeadingRule(Rule):

    """

    标题占一行，最多70个字符，并且不以冒号结尾。

    """

    type = 'heading'

    def condition(self ,block):

        return not '\n' in block and len(block) <= 70 and not block[-1] == ':'

class TitleRule(HeadingRule):

    """

    题目是文档的第一个块，但前提它是大标题。

    """

    type = 'title'

    first = True

    def condition(self, block):

        if not self.first:return False

        self.first = HeadingRule.condition(self ,block)

class ListItemRule(Rule):

    """

    列表项是以连字符开始的段落。作为格式化的一部分，要移除连字符。

    """

    type = 'listitem'

    def condition(self ,block):

        return block[0] == '-'

    def action(self, block, handler):

        handler.start(self.type)

        handler.feed(block[1:].strip())

        handler.end(self.type)

        return True

class ListRule(ListItemRule):

    """

    列表从不是列表项的块和岁以后的列表项之间。在最后一个连续的列表项之后结束。

    """

    type = 'list'

    inside = False

    def condition(self ,block):

        return True

    def action(self, block, handler):

        if not self.inside and ListItemRule.condition(self ,block):

            handler.start(self.type)

            self.inside = True

        elif self.inside and not ListItemRule.condition(self ,block):

            handler.end(self.type)

            self.inside = False

        return False

class ParagraphRule(Rule):

    """

    段落只是其他规则并没有覆盖到的块

    """

    type = 'paragraph'

    def condition(self ,block):

        return True

Markup.py

import sys,re

from handlers import *

from util import *

from rules import *

class Parser:

   #"""

   #语法分析器读取文本文件、应用规则并且控制处理程序

   # """

    def __init__(self ,handler):

        self.handler = handler

        self.rules = []

        self.filters = []

    def addRule(self ,rule):

        self.rules.append(rule)

    def addFilter(self ,pattern ,name):

        def filter(bolck ,handler):

            return re.sub(pattern ,handler.sub(name),bolck)

        self.filters.append(filter)

    def parse(self ,file):

        self.handler.start('document')

        for block in blocks(file):

            for filter in self.filters:

                block = filter(block ,self.handler)

            for rule in self.rules:

                if rule.condition(block):

                    last = rule.action(block ,self.handler)

                    if last : break

        self.handler.end('document')

class BasicTextParser(Parser):

    """

    在构造函数中添加规则和过滤器的具体语法分析器

    """

    def __init__(self, handler):

        Parser.__init__(self ,handler)

        self.addRule(ListRule)

        self.addRule(ListItemRule)

        self.addRule(TitleRule)

        self.addRule(HeadingRule)

        self.addRule(ParagraphRule)

        self.addFilter(r'\*(.+?)\*' ,'emphasis')

        self.addFilter(r'(http://[\.a-zA-Z/]+)' ,'url')

        self.addFilter(r'([\.a-zA-Z])+@[\.a-zA-Z]+[a-zA-Z]+)' ,'mail')

handler = HTMLRenderer()

parser = BasicTextParser(handler)

parser.parse(sys.stdin)

巴特西

Python练习1-文档格式化成html

文档格式化成HTML

最新文章

热门文章