Current state of mrwhite::parser.py

parser.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import re
import lxml
import lxml.html
from itertools import count


def clipboard_to_cells():
    with open("logging_1.txt", 'r') as f:
        data = f.read()
    # print(data)
    tree = lxml.html.fromstring(data)
    rows = tree.xpath('//table//tr')
    print(len(rows))
    result = []
    for row in rows:
        row_result = []
        elems = row.xpath('.//td')
        # print(len(elems))
        for elem in elems:
            e_dict = {}
            # print("bg: ",elem.get('bgcolor'), "")
            # print("text: ",elem.text)
            bg = elem.get('bgcolor')
            e_dict['bgcolor'] = bg
            all_text = elem.xpath('string()').strip()
            # print()
            if all_text:
                e_dict['content'] = all_text.strip()
                e_dict['is_empty'] = False
            else:
                e_dict['content'] = None
                e_dict['is_empty'] = True
            row_result.append(e_dict)
        result.append(row_result)
    return result



def parse(cells = None):

    if not cells:
        cells = clipboard_to_cells()

    pa_przedmiot_komentarz = r"""
                              ([a-zA-Z_-]+)           # trivia: nazwa przedmiotu
                              (                        # capture group komentarza
                                (                       # łap zero lub jeden
                                  \s                     # biały znak
                                  \(                     # nawias
                                  [a-zA-Z. 0-9]+         # treść komentarza
                                  \)                     # nawias
                                )?
                              )
                              """
    pa_sala = r"""
               (\d+\.\d+([a-zA-Z]+)?)
               """
    pa_dzien_tygodnia = r"""
                         [a-zA-Z]+
                         """
    pa_data = r"""
               (\d\d\d\d-\d\d-\d\d)|(\d+\.\d+)
               """
    pa_godziny = r"""
                    \d{1,2}           # godzina
                    (:\d\d)?          # minuty
                    (                 # opcjonalnie: przedział
                      -                 # dywiz
                      \d{1,2}           # godzina
                      (:\d\d)?          # minuty
                    )?
                  """

    re_przedmiot_komentarz = re.compile(pa_przedmiot_komentarz, re.VERBOSE)
    re_sala = re.compile(pa_sala, re.VERBOSE)
    re_dzien_tygodnia = re.compile(pa_dzien_tygodnia, re.VERBOSE)
    re_data = re.compile(pa_data, re.VERBOSE)
    re_godziny = re.compile(pa_godziny, re.VERBOSE)


    # reguła obszaru:
    #   szukamy wiersza N takiego, że:
    #     - N,0 zawiera pa_dzien_tygodnia
    #     - N,[1..K] zawierają daty, K >= 1
    #     - [N+1..L],0 zawierają godziny

    def is_area_starting_here(rowid):
        if not re_dzien_tygodnia.match(cells[rowid][0]):
            return False
        
        k = None
        for k in count(1):
            if not re_data.match(cells[rowid][k]):
                break
        if not k:
            return False

        l = None
        for l in count(rowid):
            if not re_godziny.match(cells[rowid][l]):
                break
        if not l:
            return False

        return ((rowid, 0), (l, k))

    

    return cells