题记
无论发生什么，记住对自己好。
前言
终于，收到了知乎的回复，一面就被拒了（此处应该有一个悲伤的表情）。不过也没什么遗憾了，申请了好多次，终于申请到了笔试和面试的机会。通过这次的经历，我知道了路还很长很长，想把这次的经历写下来，也算是一种纪念。
笔试题一——富文本过滤
当我收到知乎的笔试题时，很激动，因为真心很想去知乎，用颤抖的手打开邮件，里面有两道题，第一道是这样的：最开始才疏学浅，不知道富文本过滤要干些什么，去搜索了一番，大致知道了过滤是要对Html进行解析，去掉不合法的标签和字符。我最开始还想加上自动correct富文本的功能，比如如果标签不闭合，自动补全等等，但是记得那几天事情真心太多了，还有SQA的口试，没花太多的时间去完善代码。知道了要干什么，就可以开始写了。我首先想到的肯定是要用到一个解析html库之类，跑一遍html，在解析html的过程中做一些处理。之前有用到过Python中的ElementTree解析过xml，首先去搜索了一番，找到了以下一些资料：How to parse malformed HTML in python, using standard libraries大致说Python里面有很多解析Html的库，内建的HtmlParser貌似是一种方法，但是它却经常在一些非常普通的html时会出现问题，如果你成功解决了这些问题，那么你很有可能重写了一个库——BeautifulSoup。靠谱的解析Html的方式大概有三种：lxml.html，BeautifulSoup，html5lib。但是考虑到可能面试官不会去安装这些库，我还是决定用python内建的HtmlParser去完成这道题。去搜了一下这个类的使用方法，发现原理跟Java使用SAX方式解析XML是一样的，都是提供了一系列的回调方法，使用时需要继承自相应的类，覆盖这些方法，添加上你自己的处理。比如遇到起始的tag有一个回调的方法，遇到文本有一个回调的方法，还需要一个变量来保存上一次遇到的tag，代码如下：
import HTMLParser, sysclass EditorParser(HTMLParser.HTMLParser): def __init__(self, standard): HTMLParser.HTMLParser.__init__(self) self.standard = standard self.clean_text = [] self.pre_tag = None def handle_starttag(self, tag, attrs): if tag in self.standard: self.clean_text.append('<') self.clean_text.append(tag) for name, val in attrs: if self.standard[tag] and name in self.standard[tag]: exp = ' %s="%s"' % (name, val) self.clean_text.append(exp) self.clean_text.append('>') self.pre_tag = tag def handle_data(self, data): if self.pre_tag in self.standard: self.clean_text.append(data) def handle_endtag(self, tag): if tag in self.standard: self.clean_text.append('</{0}>'.format(tag)) self.pre_tag = None def get_clean_text(self): return ''.join(self.clean_text)def main(): if len(sys.argv) < 2: print '\nUse like this:\n\t$python filter.py [html_file_to_handle]\nThe clean html will be output to a new html file.\n' return html = open(sys.argv[1], 'r') legal_tag_attr = {'a' : ['href', 'title'], 'abbr' : ['title'], 'acronym' : ['title'], 'b' : None, 'blockquote' : ['cite'], 'cite' : None, \ 'code' : None, 'del' : ['datetime'], 'em' : None, 'i' : None, 'q' :['cite'], 'strike' : None, 'strong' : None, 'pre' : None} editorParser = EditorParser(legal_tag_attr) editorParser.feed(html.read()) clean_text = editorParser.get_clean_text() editorParser.close() html.close() # print clean_text clean_html = open(sys.argv[1].split('.')[0] + '_clean.html', 'w') clean_html.write(clean_text) clean_html.close()if __name__ == '__main__': main()
这样一个简单的过滤器就写完了，功能比较简单，仅仅能去掉不合法的标签以及不合法的属性，没有纠错功能。
样例输入与输出
样例的输入：
<abbr>This is legal abbr text.</abbr> <a href="http://www.zhihu.com" id="bad_id"> <strong name="bad_name" id="bad_id" class="bad_class">This is a legal strong href</strong> </a> <head>This is a bad head</head> <acronym title="acronym titel"></acronym> </br> </em> <body>This is bad body.</body> <title class="bad_class">This is bad title.</title>
经过过滤后的样例输出：
<abbr>This is legal abbr text.</abbr><a href="http://www.zhihu.com"> <strong>This is a legal strong href</strong></a><acronym title="acronym titel"></acronym></em>
HtmlParser提供的功能真的很少，只提供了最基本的功能，要对HTML做一些深入的操作还得用其他的lib。
题记
无论发生什么，记住对自己好。
前言
终于，收到了知乎的回复，一面就被拒了（此处应该有一个悲伤的表情）。不过也没什么遗憾了，申请了好多次，终于申请到了笔试和面试的机会。通过这次的经历，我知道了路还很长很长，想把这次的经历写下来，也算是一种纪念。
