Administrace komentářů

Je celkem pohodlné použít html parser z nějaké knihovny. Následující program předpokládá docela málo věcí o formátu html zdrojáku. Není tam ani jediný regulární výraz nebo nahrazování textu. Použitý parser vyhledává přímo html tagy, jejich atributy atd. Program správně vyhledá i prázdné položky v tabulce.

Získaná data se ukládají do seznamu, kde jsou uloženy trojice datum, variabilní symbol a částka. Výstup vypadá takto:

Datum: 2007-01-05 04:21:39.0 Variabilni symbol: 28 Castka: 400.00
Datum: 2007-01-03 05:35:26.0 Variabilni symbol: 5 Castka: 400.00
Datum: 2007-01-03 05:35:23.0 Variabilni symbol: 33 Castka: 400.00
Datum: 2007-01-03 05:33:14.0 Variabilni symbol: 51 Castka: 800.00
Datum: 2007-01-02 09:36:02.0 Variabilni symbol: 16 Castka: 400.00
Datum: 2007-01-02 05:57:28.0 Variabilni symbol: 49 Castka: 400.00
Datum: 2007-01-01 23:59:59.0 Variabilni symbol:  Castka: 
Datum: 2006-12-31 23:59:59.0 Variabilni symbol:  Castka: 0.04
Datum: 2006-12-28 06:40:52.0 Variabilni symbol: 8 Castka: 400.00
Datum: 2006-12-28 05:48:15.0 Variabilni symbol: 48 Castka: 400.00
Datum: 2006-12-20 17:57:35.0 Variabilni symbol:  Castka: 1000.00

Navíc je použita primitivní cache, která stáhne zdrojový kód z netu jen tehdy, pokud ho nenajde již dříve uložený na disk (což se hodí při ladění).

#!/usr/bin/env python
import urllib2
from HTMLParser import HTMLParser

class MyHTMLParser(HTMLParser):

    def parse(self, html):
        self.tdcounter = 0
        self.within_tbody = False
        self.thead_found = False
        self.platby = []
        self.platba_parsed = []
        self.feed(html)
        self.close()

    def handle_starttag(self, tag, attrs):
        if tag == 'td': self.tdcounter += 1
        if tag == 'tbody' and self.thead_found:
            self.within_tbody = True

    def handle_data(self, data):
        if 'VARIABIL' in data: self.thead_found = True
        if self.within_tbody:
            if self.tdcounter in (4,13,17):
                self.platba_parsed.append(data.strip())

    def handle_startendtag(self, tag, attrs):
        if self.within_tbody and tag == 'br':
            self.tdcounter += 1

    def handle_endtag(self, tag):
        if tag == 'tr':
            self.tdcounter = 0
            if self.platba_parsed:
                self.platby.append(self.platba_parsed)
            self.platba_parsed = []
        if tag == 'tbody': self.within_tbody = False

url = 'http://www.ebanka.cz/Firemni-finance/Firemni-ucet/Transparentni-ucet/trAccountDetail.jsp?accountNumber=2588438001'
htmlcache = 'ebanka_cache'
try:
    contents = file(htmlcache).read()
except:
    handler = urllib2.urlopen(url)
    contents = handler.read()
    handler.close()
    file(htmlcache, 'w').write(contents)
        
parser = MyHTMLParser()
parser.parse(contents)
for datum, varsymb, castka in parser.platby:
    print 'Datum: %s Variabilni symbol: %s Castka: %s'%(
            datum, varsymb, castka)