¡La última entrega! Si la cosa ha sido pesada, lo siento.
Pero espero que te haya servido de algo.
Recapitulando, la última vez que nos vimos estábamos editando
un fichero llamado “htmlparser.rb” y habíamos puesto en él unos cuantos
“require” y la definición de la clase AttrParser. Hoy vamos a seguir con él y
le añadiremos una nueva clase.
¡Y con eso habremos acabado!
Por ahora, claro.
Nuestra clase para analizar código HTML (¡al fin!) se va a
llamar HTMLParser y será una subclase de Tokenizer:
class HTMLParser < Tokenizer
end
|
¡Hala! Añáde eso al final de “htmlparser.rb”. Y vamos a
rellenar la clase...
Creando el objeto
La creación del objeto HTMLParser seguirá una estructura muy
similar a la que vimos para AttrParser en el post anterior:
def
initialize(html='')
super(html)
@attrparser = AttrParser.new
comment = '<!--.*?-->'
spaces = '[[:space:]]+'
string1 = "'[^']*'"
string2 = '"[^"]*"'
nostring = "[^'\"[[:space:]]>=][^>[[:space:]]=]*"
attrs = '(?<attrs>' +
'(' +
spaces + '|' + string1 + '|' + string2 + '|' + nostring + '|=)*' +
')'
name
= '(?<name>[a-z][^[[:space:]]>]*)' # Ignorecase está activado en
Tokenizer
#
Reglas para reconocer cosas
addRule(comment,:comment)
addRule(/<!>/,:other)
addRule(/<![^->].*?>/,:other)
addRule(/<!-[^->].*?>/,:other)
addRule('<!' + name + attrs +
'>', :other)
addRule('<' + name + attrs +
'>', :element)
addRule('</' + name + attrs +
'>', :close)
addRule(/./,:text)
end
|
Poco nuevo que reseñar. Creamos un objeto de clase AttrParser
para más adelante usarlo para analizar los atributos de las etiquetas. Después
comenzamos a definir los patrones para las expresiones regulares. La primera es
la de los comentarios:
comment
= '<!--.*?-->'
|
Aquí el interrogante tiene un significado especial. ¿Recuerdas que te dije que cuando Ruby se encuentra un carácter de repetición, como * o +, siempre se queda con la cadena más larga posible (eso del “burro grande, ande o no ande”). Pues hay veces que eso no nos interesa y ésta es una de ellas.
Queremos que, una vez iniciado el comentario con “<!--”, éste acabe en cuanto se encuentre una secuencia de final de comentario, “-->”. En medio puede haber cualquier cosa. O sea, en lenguaje de las expresiones regulares, “.*” .
Pero ¿qué pasa si hay dos comentarios? Por ejemplo, como en:
<!-- Comentario 1 -->
<a href='#abcd'>Haz clic
aquí</a>
<!-- Comentario 2 -->
|
Si ponemos la expresión regular
<!--.*-->
|
… y la comparamos con el texto anterior, tendremos dos
posibles coincidencias:
•
El comentario de la primera línea
•
Todo el texto
Y, con la regla del burro grande, Ruby se quedará con la
segunda. Que no es lo que nosotros queremos. Para que el asterisco no sea tan
glotón y se conforme con lo primero que se encuentre, con la coincidencia más
corta, le podemos poner detrás el carácter de cierre de interrogación (?):
<!--.*?-->
|
Otra construcción nueva de expresiones regulares que
encontramos es la barra (|). Mediante ella podemos indicar varias opciones
posibles.
Pongamos un ejemplo. Si queremos reconocer una cualquiera de
las palabras “cuento”, “clase” y “casa”, podríamos usar la expresión regular:
/cuento|clase|casa/
|
Tendríamos otras formas de hacerlo. Dado que las tres
palabras comienzan por la letra “c”, podríamos poner:
/c(uento|lase|asa)/
|
Observa como se usan los paréntesis para agrupar las
expresiones regulares. Si quieres, puedes irte al irb y hacer pruebas:
irb(main):052:0> /c(uento|lase|asa)/.match('Esto es
un cuento chino')
=> #<MatchData "cuento"
1:"uento">
irb(main):053:0> /c(uento|lase|asa)/.match('Esto es
una clase de Ruby')
=> #<MatchData "clase"
1:"lase">
irb(main):054:0> /c(uento|lase|asa)/.match('Esto es
una casa de ladrillo ')
=> #<MatchData "casa"
1:"asa">
|
Eso es lo más relevante. Fíjate, eso sí, en que, para que
nuestro analizador se trague incluso el HTML mal creado, permitimos cosas raras
como, por ejemplo, que las etiquetas de cierre contengan definiciones de
atributos. Tu navegador posiblemente también lo haga...
Otra cosa es que la regla para los nodos de texto es muy
corta:
addRule(/./,:text)
|
La idea es que si nos encontramos con algo que no puede ser
reconocido como :element, ni como :close, ni como :comment, ni como :other,
descartamos el primer carácter (que consideraremos como texto) y volvemos a
probar.
Analizar el código
Eso nos obligará después a combinar todos los caracteres de
texto consecutivos en un único nodo de tipo :text. Eso será en el método que
extrae los distintos elementos del documento HTML y los procesa:
def
parseHTML(html=nil)
if html != nil
loadStr(html)
end
# Array a retornar
result = []
#
text es usado para llevar la cuenta de
# los
nodos de texto consecutivos
text
= ''
getTokens.each do |x|
if x.class.name ==
"HTMLText"
#
Unir nodos de texto consecutivos en uno sólo
text
+= x.to_s
else
#
Si hay texto pendiente, añadirlo
if text != ''
result.push(HTMLText.new(text))
text
= ''
end
#
Añadir el nodo
result.push(x)
end
end
# Si
hay texto pendiente, añadirlo
if text != ''
result.push(HTMLText.new(text))
end
return
result
end
|
Las cosas del HTML
Y ya sólo nos quedarían los métodos privados que se encargan
de crear los objetos que representan elementos encontrados. El más relevante es
el correspondiente a las etiquetas:
def
element(x)
autoclosed = (x[:attrs][-1] ==
'/')
# Texto de los atributos
(quitar el / del final si lo hay)
attrs = autoclosed ?
x[:attrs][0..-2] : x[:attrs]
attrs.strip!
return HTMLTag.new(x[:name],
autoclosed, @attrparser.parseAttr(attrs))
end
|
Lo primero que se comprueba es si el último carácter del
texto extraído para los atributos es una
barra inclinada /. Si es así, la
etiqueta estará auto-cerrada y debemos eliminar el último carácter antes de
analizar los atributos.
Fíjate en eso de “x[:attrs][-1]”. x[:attrs] es una cadena. Y
[-1] es la forma de extraer su último carácter. Me expico: Para extraer los
caracteres de una cadena se utilizan índices, como en los arrays. El cero se
corresponde con el primer carácter:
irb(main):060:0> 'prueba'[0]
=> "p"
irb(main):061:0> 'prueba'[1]
=> "r"
|
Si lo que queremos es seleccionar un elemento contando a
partir del final de la cadena hacia atrás, se usan números negativos. -1 se
correspondería con el último, -2 con el penúltimo, etc.
irb(main):062:0> 'prueba'[-1]
=> "a"
irb(main):063:0> 'prueba'[-2]
=> "b"
|
Y, si queremos un rango de caracteres, también lo podemos
indicar usando dos puntos seguidos para separar la primera y la última posición
deseada. Podemos mezclar posiciones “positivas” y “negativas”:
irb(main):067:0> 'prueba'[2..4]
=> "ueb"
irb(main):068:0> 'prueba'[0..-2]
=> "prueb"
irb(main):069:0> 'prueba'[-3..-2]
=> "eb"
|
Al final, se crea y retorna un objeto de clase HTMLTag, al
que se le pasa el nombre de la etiqueta, su condición de auto-cerrada o no y los
atributos, debidamente analizados.
El resto de los tipos de “cosas HTML” tienen un tratamiento
mucho menos glamouroso:
def
close(x)
return HTMLClose.new(x[:name])
end
def
comment(x)
return HTMLComment.new(x.to_s)
end
def
other(x)
return HTMLOther.new(x.to_s)
end
def
text(x)
return HTMLText.new(x.to_s)
end
|
… Y eso es todo.
La clase quedaría...
# Analizador de Documentos HTML
class HTMLParser < Tokenizer
def initialize(html='')
super(html)
@attrparser =
AttrParser.new
comment =
'<!--.*?-->'
spaces =
'[[:space:]]+'
string1 = "'[^']*'"
string2 = '"[^"]*"'
nostring = "[^'\"[[:space:]]>=][^>[[:space:]]=]*"
attrs =
'(?<attrs>' +
'('
+ spaces + '|' + string1 + '|' + string2 + '|' + nostring + '|=)*' +
')'
name
= '(?<name>[a-z][^[[:space:]]>]*)' # Ignorecase está activado
#
Reglas para reconocer cosas
addRule(comment,:comment)
addRule(/<!>/,:other)
addRule(/<![^->].*?>/,:other)
addRule(/<!-[^->].*?>/,:other)
addRule('<!' + name
+ attrs + '>', :other)
addRule('<' + name
+ attrs + '>', :element)
addRule('</' + name
+ attrs + '>', :close)
addRule(/./,:text)
end
#
Analizar una cadena con código HTML
#
Parámetro: html -> cadena con el código a analizar
#
Retorna: Un array de elementos HTML
def parseHTML(html=nil)
if html != nil
loadStr(html)
end
# Array a retornar
result = []
#
text es usado para llevar la cuenta de
#
los nodos de texto consecutivos
text
= ''
getTokens.each do |x|
if
x.class.name == "HTMLText"
#
Unir nodos de texto consecutivos en uno sólo
text
+= x.to_s
else
#
Si hay texto pendiente, añadirlo
if text != ''
result.push(HTMLText.new(text))
text
= ''
end
#
Añadir el nodo
result.push(x)
end
end
#
Si hay texto pendiente, añadirlo
if text != ''
result.push(HTMLText.new(text))
end
return result
end
private
# Methods for rules
post-processing
def element(x)
autoclosed =
(x[:attrs][-1] == '/')
# Texto de los
atributos (quitar el / del final si lo hay)
attrs = autoclosed ?
x[:attrs][0..-2] : x[:attrs]
attrs.strip!
return
HTMLTag.new(x[:name], autoclosed, @attrparser.parseAttr(attrs))
end
def close(x)
return
HTMLClose.new(x[:name])
end
def comment(x)
return
HTMLComment.new(x.to_s)
end
def other(x)
return
HTMLOther.new(x.to_s)
end
def text(x)
return
HTMLText.new(x.to_s)
end
end # class HTMLParser
|
¡Gracias por llegar hasta aquí!
Nos vemos pronto en el próximo proyecto.
Nos vemos pronto en el próximo proyecto.
No hay comentarios:
Publicar un comentario