使用AppleScript解析HTML源代码
我正在尝试解析一个HTML文件，我已经在Automator内部将其转换为TXT文件 我以前使用Automator从一个网站下载了HTML文件，现在我正在努力解析源代码 最好，我只想获取表的信息，我需要对1800个不同的HTML文件重复这个操作 以下是源代码的示例：使用AppleScript解析HTML源代码,html,parsing,applescript,delimiter,automator,Html,Parsing,Applescript,Delimiter,Automator,我正在尝试解析一个HTML文件，我已经在Automator内部将其转换为TXT文件 我以前使用Automator从一个网站下载了HTML文件，现在我正在努力解析源代码 最好，我只想获取表的信息，我需要对1800个不同的HTML文件重复这个操作 以下是源代码的示例： </head> <body> <div id="header"> <div class="wrapper"> <span class="access">
</head>
<body>
<div id="header">
<div class="wrapper">
<span class="access">
<div id="fb-root"></div>
<span class="access">
Gold Account: <a class="upgrade" title="Account Details" href="http://www.hedge-professionals.com/account-details.html" >Active </a> Logged in as Edward | <a href="javascript:void(0);" onclick='logout()' class="logout">Sign Out</a>
</span>
</span>
</div><!-- /wrapper -->
</div><!-- /header -->
<div id="masthead">
<div class="wrapper">
<a href="http://www.hedge-professionals.com" ><img src="http://www.hedge-professionals.com/images/hedgep_logo_white.png" alt="Hedge Professionals Database" width="333" height="46" class="logo" border="0" /></a>
<div id="navigation">
<ul>
<li ><a href='http://www.hedge-professionals.com/dashboard.html' >Dashboard</a></li> <li ><a href='http://www.hedge-professionals.com/people.html'class='current' >People</a></li><li ><a href='http://www.hedge-professionals.com/watchlists.html' >My Watchlists</a></li><li ><a href='http://www.hedge-professionals.com/my-searches.html' >My Searches</a></li><li ><a href='http://www.hedge-professionals.com/my-profile.html' >My Profile</a></li></ul>
</div><!-- /navigation -->
</div><!-- /wrapper -->
</div><!-- /masthead -->
<div id="content">
<div class="wrapper">
<div id="main-content">
<!-- per Project stuff -->
<span class="section">
<img src="http://www.hedge-professionals.com/images/people/noimage_53x53.jpg" alt="Christian Sieling" width="52" height="53" class="profile-pic" id="profile-pic-104947"/>
<h1><span id="profile-name-104947" >Christian Sieling</span></h1>
<ul class="gbutton-group right">
<li><a class="gbutton bold pill" href="http://www.hedge-professionals.com/people.html">« Back </a></li>
<li><a class="gbutton bold pill boxy on-click" href="http://www.hedge-professionals.com/addtoWatchlist.php?usr=114752" id="row-104947" title='Add to Watchlist' >Add to Watchlist</a></li>
</ul>
<div style="float:right;padding:3px 3px;text-align:center;margin-top:5px;" >
<span id="profile-updated-date" >Updated On: 4 Aug, 2010</span><br/>
<a class="gbutton bold pill" href="http://www.hedge-professionals.com/profile/suggest/people/104947/Christian-Sieling" style="margin:5px;" title='Report Inaccurate Data' >Report Inaccurate Data</a>
</div>
<h2><span id="profile-details-104947" > at <a href="http://www.hedge-professionals.com/quicksearch/search/Lumix+Capital+Management+Ltd." ><span title='Lumix Capital Management Ltd.' >Lumix Capital Management Ltd.</span></a></span><input type="hidden" name="sub-id" id="sub-id" value="114752"></h2>
</span>
<table width="100%" border="0" cellspacing="0" cellpadding="0" id="profile-table">
<tr>
<th>Role</th>
<td>
<p>Other</p> </td>
</tr>
<tr>
<th>Organisation Type</th>
<td>
<p>Asset Manager</p> </td>
</tr>
<tr>
<th>Email</th>
<td><a href="mailto:cs@lumixcapital.com" title="cs@lumixcapital.com" >cs@lumixcapital.com</a></td>
</tr>
<tr>
<th>Website</th>
<td><a href="http://www.lumixcapital.com/" target="_new" title="http://www.lumixcapital.com/" >http://www.lumixcapital.com/</a></td>
</tr>
<tr>
<th>Phone</th>
<td>41 78 616 7334</td>
</tr>
<tr>
<th>Fax</th>
<td></td>
</tr>
<tr>
<th>Mailing Address</th>
<td>Birrenstrasse 30</td>
</tr>
<tr>
<th>City</th>
<td>Schindellegi</td>
</tr>
<tr>
<th>State</th>
<td>CH</td>
</tr>
<tr>
<th>Country</th>
<td>Switzerland</td>
</tr>
<tr>
<th class="lastrow" >Zip/ Postal Code</th>
<td class="lastrow" >8834</td>
</tr>
</table>
</div><!-- /main-content -->
<div id="sidebar" >
</div>
<div id="similar_sidebar" class="similar_refine" >
</div>
</div><!-- /wrapper -->
</div><!-- /content -->
<div id="footer">
</div>
如何解析HTML文件中的表？你真的很接近了。问题在于startText变量。起始表标记不在html文本中，因此无法找到它。表的起始行实际上是
<table width="100%" border="0" cellspacing="0" cellpadding="0" id="profile-table">
set p to input
set ex to extractBetween(p, "<table", ">", "</table>")
to extractBetween(SearchText, startText1, startText2, endText)
set tid to AppleScript's text item delimiters
set AppleScript's text item delimiters to startText1
set endItems to text item -1 of SearchText
set AppleScript's text item delimiters to endText
set beginningToEnd to text item 1 of endItems
set AppleScript's text item delimiters to startText2
set finalText to (text items 2 thru -1 of beginningToEnd) as text
set AppleScript's text item delimiters to tid
return finalText
end extractBetween
将p设置为输入
将ex设置为介于（p，“，”之间）
提取（搜索文本、开始文本1、开始文本2、结束文本）
将tid设置为AppleScript的文本项分隔符
将AppleScript的文本项分隔符设置为startText1
将endItems设置为SearchText的文本项-1
将AppleScript的文本项分隔符设置为endText
将BeginingToEnd设置为endItems的文本项1
将AppleScript的文本项分隔符设置为startText2
将finalText设置为（BeginingToEnd的文本项2到-1）作为文本
将AppleScript的文本项分隔符设置为tid
返回finalText
端部拔出器
将xxx设置为别名“Mac OS X:Users:paolo:Desktop:paolo.html”
将yyy设置为执行shell脚本“echo”&引用xxx的形式&“grep-o\\”
tell application "Safari"
tell document 1
set theFirstTableHTML to do JavaScript "document.getElementsByTagName('table')[0].innerHTML"
end tell
end tell
您可以使用此技术将基本DOM脚本应用于任何页面，并获取您想要读取的任何数据。您可以只获取表格单元格的值，或任何您想要的值。一行代码：
告诉应用程序“Safari”将源代码设置为字符（偏移量
），但是，通过一个简单的“获取段落”，我能够选择我想要的内容将源文件设置为（选择文件）//将newContent设置为读取源文件//获取newContent的第247至306段
这是一个单文件解决方案。不确定为什么它对您不起作用。它起作用了……相信我。您一定在做其他事情。正如adayzdone提到的，您的解决方案对多个文件不起作用。段落编号显然会改变每个文件都是ge的。@regulus6633您是对的，对不起。我试图修改HTML标记以更好地适应我正在分析的内容，但它不起作用（不确定原因，仍在尝试）.但后来我用你提供的源代码试用了applescript，效果很好。谢谢，但如果applescript让你免于多年的繁重工作，你不会有这种感觉，就像它对出版业和其他创意领域的数百万人那样。
>
set p to input
set ex to extractBetween(p, "<table", ">", "</table>")
to extractBetween(SearchText, startText1, startText2, endText)
set tid to AppleScript's text item delimiters
set AppleScript's text item delimiters to startText1
set endItems to text item -1 of SearchText
set AppleScript's text item delimiters to endText
set beginningToEnd to text item 1 of endItems
set AppleScript's text item delimiters to startText2
set finalText to (text items 2 thru -1 of beginningToEnd) as text
set AppleScript's text item delimiters to tid
return finalText
end extractBetween
set xxx to read alias "Mac OS X:Users:paolo:Desktop:paolo.html"
set yyy to do shell script "echo " & quoted form of xxx & " | grep -o \\<table.*table\\>"
tell application "Safari"
tell document 1
set theFirstTableHTML to do JavaScript "document.getElementsByTagName('table')[0].innerHTML"
end tell
end tell