libreoffice58.py

# -*- coding: utf-8 -*-
def libreoffice58():
    import re #正規表現モジュールのインポート。
    from glob import glob  # パス名のパターン展開モジュールのインポート。
    dic_idl_html = dict()  # キー:idl、値:idlのhtmlファイル名、の辞書。
    dic_memItem_html = dict()  # キー:メンバーアイテム、値:メンバーアイテムのhtml、の辞書。
    dic_memItem_mdesc = dict()  # キー:メンバーアイテム、値:メンバーアイテムの解説、の辞書。
    reg_idl = r'html">(\w+?)</a>'  # 参照しているhtmlファイルのIDLを抽出する正規表現パターン。
    reg_idl_html = r'href="(a\d\d\d\d\d.html)">'  # 参照しているhtmlファイル名を抽出する正規表現パターン。リストの最後の要素になる。
    reg_mdesc = r'<td class="mdescRight">(.+?)<a href='  # メンバーアイテムの解説を抽出する正規表現パターン。
    reg_fname = r'a0(\d\d\d\d).html'  # glob()で得たファイルのフルパスからファイル名の下4桁の数字を抽出する正規表現パターン。
    for i in sorted(glob('C:/Program Files (x86)/LibreOffice 4/sdk/docs/idl/ref/a0[0-3][0-9][0-9][0-9].html')):  # a00000.htmlからa03999.htmlまでのファイル名を昇順にiに得る。
        with open(i, 'r', encoding='utf-8') as f:  # ファイルiをutf-8で開く。
            f_name = re.findall(reg_fname, f.name)[0]  # 読み込んでいるファイル名から下4桁を取り出す。f.name()のパスは/と\が混在していることに注意。
            if int(f_name) > 3687:  # a03687.htmlより大きい数字のファイルのとき。
                break  # for文を抜けて以降のファイルは処理しない。
            else:  # a03687.html以下の数字のファイルのとき。
                line = f.readline()  # 1行目をを読み込む。
                while line:  # 行がある間実行。
                    if '<div id="nav-path" class="navpath">' in line:  # パンくずリストのdivタグの行があったとき。
                        line = f.readline()  # 次の行を読み込む。
                        while line:
                            idl = re.findall(reg_idl, line)  # 正規表現でIDLのフルネームを抽出する。
                            if idl:  # IDLのフルネームが得られたとき。
                                idl_html = re.findall(reg_idl_html, line)[len(idl)-1]  # 同じ行からhtmlファイル名を抽出。リストidlの最終要素番号と一致。
                                idl = "." + ".".join(idl[3:])  # com.sun.starは省略してドットでつなぐ。
                                dic_idl_html[idl] = idl_html  # 辞書に出力する。
                                break  # while文を抜ける。
                            line = f.readline()  # 次の行を読み込む。
                    if any(['<a name="pub-methods">' in line, '<a name="pub-attribs">' in line]):  # 「Public Member Functions」または「Public Attributes」のとき。
                        if idl_html:  # パンくずリストからhtmlファイル名が得られているとき。
                            reg_memItem = r'{0}(#\w+?)">(\w+?)</a>'.format(idl_html)  # メンバーアイテム名を抽出する正規表現パターン。
                            line = f.readline()  # 次の行を読み込む。
                            while line:
                                if any(['<img src="closed.png" alt="-"/>' in line, '</tbody>' in line]): break  # 継承したものの項やテーブルの終了にきたときwhile文を抜ける。
                                memItem = re.findall(reg_memItem, line)  # 正規表現でメンバーアイテム名を抽出する。
                                if memItem:  # メンバーアイテム名が抽出できたとき。
                                    memItem, memItem_html = idl + "::" + memItem[0][1], idl_html + memItem[0][0]  # メンバーアイテム名をそのhtmlファイル名と取得。
                                    dic_memItem_html[memItem] = memItem_html  # 辞書にメンバーアイテム名をキーに、そのhtmlファイルのジャンプ先を値にして取得。
                                    mdesc = re.findall(reg_mdesc, f.readline())  # メンバーアイテム名を得た次行からメンバーアイテムの解説を取得。
                                    if mdesc: dic_memItem_mdesc[memItem] = mdesc[0]  # 解説が抽出できたとき辞書にメンバーアイテム名を収納。
                                line = f.readline()  # 次の行を読み込む。
                    if 'id="details"' in line: break  # 「Detailed Description」まできたときwhile文を抜けて次のファイルにいく。
                    line = f.readline()  # 次の行を読み込む。
    import shelve  # Pythonオブジェクトをディスクに保存するshelveモジュール。
    from contextlib import closing  # withでdbファイルを開いたときに閉じるためのモジュール。
    with closing(shelve.open("dic_IDL.db")) as d:
        d["dic_idl_html"] = dic_idl_html
        d["dic_memItem_html"] = dic_memItem_html
        d["dic_memItem_mdesc"] = dic_memItem_mdesc
if __name__ == "__main__":
    import timeit
    print(timeit.timeit("libreoffice58()", setup="from __main__ import libreoffice58", number=1))