如何从典型的html日/时间表中提取数据？

Question

我正在尝试编写一个解析器来获取典型的html表日/时间表（如this）中的数据。

我想给这个解析器一个页面和一个表类/ id，并让它返回一个事件列表，以及它们发生的日期和时间。它应该考虑rowpans和colspans，因此对于链接的示例，它将返回

{:event => "Music With Paul Ray", :times => [T 12:00am - 3:00am, F 12:00am - 3:00am]}, etc. 

我有点弄清楚使用ruby的半执行混乱方法，我想知道你如何解决这样的问题？

Answer 1

这里最好的事情是使用HTML解析器。使用HTML解析器，您可以以编程方式查看表行，而无需使用脆弱的正则表达式并自行进行解析。

然后你可以运行一些逻辑（这不是可运行的代码，只是一个你应该能够看到这个想法的草图）：

for row in table:
    i = 0
    for cell in row: # skipping row 1
        event = name
        starttime = row[0]
        endtime = table[ i + cell.rowspan + 1 ][0]

        print event, starttime, endtime
    i += 1

Answer 2

这是程序需要做的事情：

1. 读取标签（检测属性和打开/关闭标签）
2. 构建表的内部表示（如何处理格式错误的表？）
3. 计算每个事件的日期，开始时间和结束时间
4. 将重复事件合并到事件系列中

这是很多组件！您可能需要提出更具体的问题。

Answer 3

使用http://www.crummy.com/software/BeautifulSoup/，这项任务应该是轻而易举的。

Answer 4

如上所述，在HTML上使用正则表达式通常是一个坏主意，你应该使用一个好的解析器。 为了验证XHTML页面，您可以使用大多数语言中提供的简单XML解析器。唉，在您的情况下，给定的页面不会验证（W3C的标记验证服务报告230错误，7警告！） 对于通用的，可能是格式错误的HTML，有处理它的库（kigurai推荐使用BeautifulSoup for Python，我也知道TagSoup for Java，还有其他）。