Administrace komentářů

Řešilo se to „před lety“ tadyhle, http://www.abclinuxu.cz/forum/show/163882 a už tehdy jsem měl pocit, že se každou chvíli mění formát výpisu. Dík, že jste to potvrdili, už jsem taky myslel, že mi hrabe. Používají dva formáty pro datum i měnu. Někdy je všechno v jednom formátu, někdy v tom druhém a nejčastěji je to smíchanina. Jak to vzniká, to netuším. Zkusil jsem jim posílat jiného user-agenta, ale nepomohlo. Tak tady aspoň přikládám trochu upravenou verzi parseru (nastavitelný user agent a lepší odchytávání chybějících hodnot). Dík Filipovi.

#!/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.platby = []
        self.platba_parsed = []
        self.recent_data = ''
        self.feed(html)
        self.close()

    def increase_tdcounter(self):
        if not self.within_tbody: return
        if self.tdcounter in (0, 8, 11):
            self.platba_parsed.append(self.recent_data)
        self.tdcounter += 1
        self.recent_data = None

    def handle_starttag(self, tag, attrs):
        if tag == 'tbody': self.within_tbody = True

    def handle_data(self, data):
        data_stripped = data.strip()
        if data_stripped:
            self.recent_data = data_stripped

    def handle_startendtag(self, tag, attrs):
        if tag == 'br': self.increase_tdcounter()

    def handle_endtag(self, tag):
        if not self.within_tbody: return
        if tag == 'td':
            self.increase_tdcounter()
        if tag == 'tr':
            self.tdcounter = 0
            self.platby.append(self.platba_parsed)
            self.platba_parsed = []
        if tag == 'tbody': self.within_tbody = False

url = 'http://www.rb.cz/firemni-finance/transparentni-ucty/?root=firemni-finance&item1=transparentni-ucty&tr_acc=vypis&account_number=2588438001'

htmlcache = 'ebanka_cache.html'
try:
    contents = file(htmlcache).read()
except:
    browser_id = 'Mozilla/5.0 (X11; U; Linux x86_64; en-US; rv:1.9) Gecko/2008061712 Fedora/3.0-1.fc9 Firefox/3.0'
    request = urllib2.Request(url)
    opener = urllib2.build_opener(urllib2.HTTPHandler())
    opener.addheaders = [('User-Agent', browser_id)]
    contents = opener.open(request).read()
    file(htmlcache, 'w').write(contents)

parser = MyHTMLParser()
parser.parse(contents)
for datum, varsymb, castka in parser.platby:
    print 'Datum: %s Var.s.: %10s Castka: %s'%(
            datum, varsymb, castka)