《Python Cookbook（第2版）中文版》——1.25 将HTML文档转化为文本显示到UNIX终端上...

xiaoxiao2024-05-18 45

本节书摘来自异步社区《Python Cookbook（第2版）中文版》一书中的第1章，第1.25节，作者[美]Alex Martelli , Anna Martelli Ravenscrof , David Ascher ，高铁军译，更多章节内容可以访问云栖社区“异步社区”公众号查看。

1.25 将HTML文档转化为文本显示到UNIX终端上

任务

需要将HTML文档中的文本展示在UNIX终端上，同时还要支持粗体和下划线的显示。

解决方案

最简单的方法是写一个过滤的脚本，从标准输入接收HTML，将输出文本和终端控制序列打印到标准的输出上。由于本节的问题只针对UNIX，我们可以借助Python标准库的os模块提供的popen函数，通过UNIX的命令tput获取所需的终端控制序列：

#!/usr/bin/env python import sys, os, htmllib, formatter # 使用UNIX的tput来获得粗体、下划线和重设的转义序列 set_bold = os.popen('tput bold').read( ) set_underline = os.popen('tput smul').read( ) perform_reset = os.popen('tput sgr0').read( ) class TtyFormatter(formatter.AbstractFormatter): ''' 一个保留粗体和斜体状态的格式化对象，并输出相应的终端控制序列 ''' def _ _init_ _(self, writer): # 首先，像往常一样，初始化超类 formatter.AbstractFormatter._ _init_ _(self, writer) # 一开始既没有粗体也没有斜体状态，未保存任何信息 self.fontState = False, False self.fontStack = [ ] def push_font(self, font): # font元组有4项，我们只看与粗体和斜体的状态 # 有关的两个标志 size, is_italic, is_bold, is_tt = font self.fontStack.append((is_italic, is_bold)) self._updateFontState( ) def pop_font(self, *args): # 回到前一个font状态 try: self.fontStack.pop( ) except IndexError: pass self._updateFontState( ) def updateFontState(self): # 输出正确的终端控制序列，如果粗体和/或斜体（==underline） # 的状态被刚刚改变的话 try: newState = self.fontStack[-1] except IndexError: newState = False, False if self.fontState != newState: # 相关的状态改变：重置终端 print perform_reset, # 如果需要的话，设置下划线与/或粗体状态 if newState[0]: print set_underline, if newState[1]: print set_bold, # 记住当前的两个状态 self.fontState = newState # 生成写入、格式化、解析对象，根据需要将它们连接起来 myWriter = formatter.DumbWriter( ) if sys.stdout.isatty( ): myFormatter = TtyFormatter(myWriter) else: myFormatter = formatter.AbstractFormatter(myWriter) myParser = htmllib.HTMLParser(myFormatter) # 将标准输入和终端操作提供给解析器 myParser.feed(sys.stdin.read( )) myParser.close( )

讨论

Python标准库提供的formatter.AbstractFormatter类，可以在任何场合工作。另一方面，它的子类TtyFormatter提供的一些改良，则主要是为了操纵和使用类UNIX（UNIX-like）终端，具体地说，也就是通过UNIX命令tput获取控制粗体和下划线的转义序列，并将终端重置为基本状态。

很多系统并没有通过UNIX认证，比如Linux和Mac OS X，但它们也提供了一个可用的tput命令，因此本节的TtyFormatter子类在这样的系统中仍然可以正常工作。或者这么说，可以用更宽泛的眼光来看待本节提及的“UNIX”，就好像我们在一些其他讨论中所用的“UNIX”概念：如果你愿意，可以认为它指的是“*ix”。

如果你的“终端”模拟器支持其他的一些控制输出表现的转义序列，也可以根据情况修改TtyFormatter类。比如，据说在Windows中，cmd.exe命令能够支持所有标准的ANSI转义序列，所以如果你只想在Windows上运行你的脚本，可以用硬编码的方式在类中写入那些序列。

很多时候，你可能会更喜欢用UNIX已经提供的命令，比如lynx -dump -，相比于本节方案中提供的方法，这些命令能够提供更丰富更具表现力的输出。但有时你会发现Python安装在一个不提供这种有用的命令（如lynx）的系统上，那么本节给出的方法就显得很方便和简洁了。