我正在尝试编写一个解析器，以从典型的html表日期/时间安排中获取数据(像这样)。

我想给这个解析器一个页面和一个表类/ ID，并让它返回事件列表以及事件发生的日期和时间。它应该考虑到rowpans和colspans，因此对于链接的示例，它将返回

{:event => "Music With Paul Ray", :times => [T 12:00am - 3:00am, F 12:00am - 3:00am]}, etc.

我已经想出了使用ruby一半执行的凌乱方法，并且想知道如何解决这个问题？

解决方案

该程序将需要执行以下操作：

• 读取中的标签(检测属性和打开/关闭标签)
• 建立表格的内部表示(如何处理格式错误的表格？)
• 计算每个事件的日期，开始时间和结束时间
• 将重复的事件合并到一个事件系列中

有很多组件！我们可能需要问一个更具体的问题。

此处最好的方法是使用HTML解析器。使用HTML解析器，我们可以以编程方式查看表行，而不必求助于易碎的正则表达式并自行进行解析。

然后，我们可以按照以下方式运行一些逻辑(这不是可运行的代码，只是可以从中看到想法的草图)：

for row in table:
    i = 0
    for cell in row: # skipping row 1
        event = name
        starttime = row[0]
        endtime = table[ i + cell.rowspan + 1 ][0]

        print event, starttime, endtime
    i += 1

使用http://www.crummy.com/software/BeautifulSoup/，该任务应该很容易。

如前所述，在HTML上使用正则表达式通常不是一个好主意，我们应该使用一个好的解析器。
为了验证XHTML页面，可以使用大多数语言都可用的简单XML解析器。 las，情况下，给定的页面无法通过验证(W3C的标记验证服务报告230错误，共7条警告！)
对于通用的，可能是格式错误的HTML，有一些库可以处理该问题(kigurai建议使用Python的BeautifulSoup，我也知道Java的TagSoup，还有其他)。