كيفية توسيع نطاق HTML وcolspan إلى جدول ثنائي الأبعاد

استنتاج جملة واحدة

عند التعامل مع جداول HTML ذات الخلايا المدمجة، يجب استخدام آلة حالة الشبكة لتوسيع صف تلو الآخر وتعيين الحد الأعلى للحجم، بدلاً من استخراج نص <td> مباشرة.

عند معالجة مستندات HTML التي تحتوي على رؤوس معقدة، فإن استخراج نص <td> مباشرة غالبًا ما يؤدي إلى بيانات مشوشة. تظهر الخلية ذات مجموعة rowspan="3" مرة واحدة فقط في شجرة DOM، ولكنها تشغل ثلاثة صفوف في الجدول المنطقي. إذا افترضت التعليمات البرمجية اللاحقة أن كل صف يحتوي على نفس عدد الأعمدة، فسيقوم البرنامج بطرح فهرس خارج الحدود أو لصق البيانات التي تنتمي إلى الصف التالي بشكل غير صحيح في الصف الحالي. الخطر الأكثر خطورة هو انفجار الذاكرة: قد تعلن لغة HTML الخبيثة أو التالفة عن colspan="99999"، مما قد يؤدي إلى استنفاد الموارد على الفور إذا قام البرنامج النصي بتخصيص الذاكرة بشكل أعمى.

هذه المقالة مخصصة للمطورين ومعالجي المستندات الذين يحتاجون إلى استخراج البيانات المنظمة من جداول HTML. بعد القراءة، ستفهم الأفكار الأساسية لتوسيع الخلايا المدمجة، وتنفيذ Python مع آلية الحماية، وطرق اختبار الحالة الحدودية، ومعايير القبول اليدوي.

تستخدم هذه المقالة عينات صناعية لتوضيح طريقة المعالجة. تم فحص الكود بأمثلة في بيئة معزولة ولا يضمن جميع الملفات الحقيقية أو أداء المنتج. قبل معالجة المستندات المهمة، يرجى الاحتفاظ بالنسخ الأصلية ومراجعتها وفقًا للحدود وبنود القبول في النص.

الفكرة الأساسية: استخدم آلة حالة الشبكة لاستبدال "الجدول إلى ملف CSV"

جوهر حل هذه المشكلة ليس العثور على وظيفة "جدول إلى CSV" جاهزة، ولكن صيانة جهاز حالة الشبكة ثنائي الأبعاد يدويًا. الخطوات المحددة هي كما يلي:

• مسح العقد DOM سطرًا تلو الآخر
• تتبع أيضًا الإحداثيات التي تشغلها بالفعل خلايا الصفوف المتقاطعة أعلاه
• تخطي عند مواجهة الإحداثيات المحتلة
• عند ظهور خلايا جديدة، يتم ملء مواضع الشبكة المتعددة بناءً على خصائص امتدادها

يجب أن تتضمن هذه العملية عمليات فحص واضحة للحد الأقصى للحجم، وتغيير سلوك التحليل من "إدخال الثقة" إلى "التحقق الدفاعي".

مثال التجميعي وتصميم الحالة الحدودية

من أجل التحقق من صحة منطق التوسيع، يجب إنشاء نموذج HTML تركيبي مكثف ولكن كامل. لا ينبغي أن تكون هذه العينة مشتقة من بيانات العمل الحقيقية ولكن يجب أن تكون مصممة خصيصًا لتغطية المسار الحرج.

الإدخال الصحيح يجب أن يتضمن ثلاث حالات نموذجية: الخلايا العادية، والدمج الأفقي (colspan)، والدمج الرأسي (rowspan). على سبيل المثال، في جدول منطقي يحتوي على 3 صفوف و3 أعمدة، يتم تعيين الخلية الأولى في الصف الأول إلى rowspan="2"، ويتم تعيين الخلية الثانية في الصف الثاني إلى colspan="2". الإخراج المتوقع هو قائمة قياسية ثنائية الأبعاد:

1. يتم ملء المواضع التي يغطيها الدمج بـ None أو عنصر نائب محدد بدلاً من تركها فارغة لتجنب أطوال الأسطر غير المتناسقة.
2. قيمة العمود الأول من الصف الثاني هي نفس قيمة العمود الأول من الصف الأول لأنها استمرارية للصف.
3. توجد قيم في الصف الثاني والعمودين الثاني والثالث.
4. يستمر العمود الأول من الصف الثالث أيضًا في قيمة الصف الأول.

خطأ أو إدخال حد له نفس القدر من الأهمية ويجب التركيز على تغطية المواقف التالية:

• تم الإعلان عن colspan="10000"، لكن الجدول يحتوي في الواقع على 3 أعمدة فقط من البيانات
• يتجاوز rowspan العدد الفعلي للصفوف في الجدول
• يتداخل نطاقات الخليتين بشكل منطقي، وهو ما يعني عادةً وجود خطأ في كود مصدر HTML نفسه

يجب ألا يتعطل الكود الخاص بك عند التعامل مع هذا النوع من الإدخال، ولا يجب أن يقبله بصمت. الإستراتيجية المعقولة هي:

• قم بتعيين حد أقصى للشبكة (مثل 1000 × 1000) وقم فورًا بطرح استثناء صريح عند تجاوز الحجم المستهدف، أو قم بإرجاع نتائج جزئية مع تحذير.
• بالنسبة للتعارضات المتداخلة، تسود الخلية التي تظهر أولاً، وسيتم تجاهل الكتابة الفوقية غير القانونية التي تصل لاحقًا، وسيتم تسجيل تعارضات الإحداثيات في السجل.

تنفيذ بايثون مع آلية الحماية

يستخدم المثال التالي BeautifulSoup لتحليل HTML وتوسيع الجدول. لا يعتمد على أي مكتبات خاصة بجدول تابع لجهة خارجية ويعتمد بالكامل على اجتياز DOM وإدارة الحالة المنسقة.

ملاحظة: هذا الكود عبارة عن عرض تعليمي ويجب تشغيله في بيئة مستقلة مع قفل إصدار beautifulsoup4. يستخدم المثال سلاسل HTML الموجودة في الذاكرة فقط ولا يتضمن طلبات الشبكة أو عمليات حذف الملفات أو معالجة بيانات الاعتماد. إذا كنت بحاجة إلى معالجة ملف خارجي، فيرجى أولاً قراءة محتوى الملف في متغير سلسلة ثم تمريره.

from bs4 import BeautifulSoup

def expand_html_table(html_content, max_rows=1000, max_cols=1000):
    """
    将含rowspan/colspan的HTML表格展开为二维列表。
    包含网格尺寸防护，防止恶意或错误标签导致内存溢出。
    """
    soup = BeautifulSoup(html_content, 'html.parser')
    table = soup.find('table')
    if not table:
        return []

    grid = []
    rows = table.find_all('tr')

    for r_idx, tr in enumerate(rows):
        if r_idx >= max_rows:
            raise ValueError(f"表格行数超过安全上限 {max_rows}")

        # 确保当前行存在
        while len(grid) <= r_idx:
            grid.append([])

        c_idx = 0
        cells = tr.find_all(['td', 'th'])

        for cell in cells:
            # 找到下一个未被占用的列位置
            while c_idx < len(grid[r_idx]) and grid[r_idx][c_idx] is not None:
                c_idx += 1

            # 防御性解析：非数字属性默认为1
            try:
                colspan = int(cell.get('colspan', 1))
                rowspan = int(cell.get('rowspan', 1))
            except (ValueError, TypeError):
                colspan, rowspan = 1, 1

            text = cell.get_text(strip=True)

            # 安全检查：防止单个单元格撑爆网格
            if c_idx + colspan > max_cols or r_idx + rowspan > max_rows:
                raise ValueError(
                    f"单元格跨度({rowspan}x{colspan})在位置({r_idx},{c_idx})"
                    f"超出安全网格{max_rows}x{max_cols}"
                )

            # 填充所有被该单元格覆盖的坐标
            for i in range(rowspan):
                target_row = r_idx + i
                while len(grid) <= target_row:
                    grid.append([])
                for j in range(colspan):
                    target_col = c_idx + j
                    while len(grid[target_row]) <= target_col:
                        grid[target_row].append(None)
                    # 仅当目标位置为空时才写入（处理冲突）
                    if grid[target_row][target_col] is None:
                        grid[target_row][target_col] = text

            c_idx += colspan

    return grid

# 合成测试用例（仅用于验证逻辑，非生产实测）
TEST_HTML = """
<table>
  <tr><td rowspan="2">A</td><td>B</td><td>C</td></tr>
  <tr><td colspan="2">D</td></tr>
  <tr><td>E</td><td>F</td><td>G</td></tr>
</table>
"""

result = expand_html_table(TEST_HTML)
assert result == [
    ['A', 'B', 'C'],
    ['A', 'D', 'D'],
    ['E', 'F', 'G']
], f"展开结果不符合预期: {result}"

مفتاح هذا الكود هو الحماية المزدوجة: تتحقق الحلقة الخارجية من العدد الإجمالي للصفوف، وتتحقق الحلقة الداخلية مما إذا كان امتداد خلية واحدة سيؤدي إلى خروج الشبكة عن الحدود قبل ملئها. تقوم حلقات while بتوسيع الصفوف والأعمدة ديناميكيًا، مما يتجنب مخاطر التخصيص المسبق للصفائف الضخمة. يتحقق بيان التأكيد من المخرجات المتوقعة للمثال الاصطناعي، ولكن هذا يعني فقط أن المنطق صحيح في ظل الإدخال الحالي، ولا يعني أنه تم اختباره على مستندات حقيقية مختلفة.

📊 المقارنة الأساسية

معايير القبول والحدود بين المراجعة اليدوية

الكود الذي يمكنه تشغيل أمثلة التوليف لا يعني أنه قادر على التعامل مع بيانات ملوثة في بيئات الإنتاج. يلخص الجدول أدناه الظواهر الشائعة للملاحظة والقرارات المقابلة في معالجة المستندات الفعلية، مميزا بين المشكلات التي يمكن حلها بواسطة الأتمتة والسيناريوهات التي تتطلب تدخلا يدويا.

يصف هذا الجدول الحدود السلوكية لمنطق التحليل ولا يضمن نتائج الترجمة من طرف إلى طرف. عرض الكود يتحقق فقط من صحة توسعة الإحداثيات. يتطلب القبول الحقيقي مقارنة التخطيط البصري للمستند الأصلي للتأكد من أن نقاط البيانات الرئيسية لم تفقد أو تخطئ أثناء عملية التحويل.

🎯 أي طريقة تناسبك؟

إذا كنت ......

• هناك حاجة فقط إلى عدد قليل من الجداول المنظمة جيدا: ببساطة تحقق منها باستخدام كود المثال أعلاه مع التأكيدات من العينة التركيبية.
• للتعامل مع HTML ذو أصل غير معروف أو قد يكون تالفا: تأكد من تحديد حد الشبكة وتسجيل التجاوزات والتعارضات.
• عند مواجهة أعداد كبيرة من الامتدادات غير الرقمية أو الجداول المتداخلة: أولا، قم بأخذ عينات يدوية لتحديد ما إذا كانت المشكلة في OCR أو قالب، أو إذا كانت هناك حاجة لاستراتيجية توسعة متكررة مخصصة.
• التعامل مع الملفات المهمة: الاحتفاظ بالأصل، تشغيل الكود باستخدام عينات مجهولة، وإكمال القبول اليدوي وفقا للتصميم الأصلي.

❓ الأسئلة الشائعة (الأسئلة الشائعة)

1. لماذا لا يمكنني استخراج كل النصوص مباشرة من <td>؟

لأن الخلية المضبوطة على rowspan تظهر مرة واحدة فقط في DOM لكنها تحتل عدة صفوف في الجدول المنطقي. القراءة مباشرة بترتيب الظهور يمكن أن تسبب عدم محاذاة البيانات أو عدم اتساق عدد الأعمدة.

2. ما هو الحد الأعلى للشبكة الذي يجب أن يحدد فيه؟

القيمة المرجعية المستخدمة في المثال هي 1000x1000. يجب تعديل القيم الفعلية وفقا لسيناريو عملك ووضع الموارد. بعد التأكد من شرعيتها، يمكن تعديل الجداول الكبيرة الحجم وإعادة اختبارها.

3. ماذا يجب أن تفعل عندما تتداخل الفترات بين الخليتين؟

الاستراتيجية المستخدمة في المثال هي استخدام الخلية التي ظهرت أولا، وتجاهل عمليات الكتابة غير القانونية اللاحقة، وتسجيل تعارضات الإحداثيات في السجل. عادة ما يشير هذا إلى وجود خطأ في شفرة مصدر HTML.

4. إذا تم التحقق من الكود من خلال الأمثلة، هل يمكن استخدامه للملفات الحقيقية؟

لا يمكنك التفكير في الأمر بهذه الطريقة. فحوصات الأمثلة تشير فقط إلى أن المنطق صحيح تحت التيار المدخل. قبل معالجة الملفات الحقيقية، يجب استخدام عينات غير محسسة للتشغيل والتحقق منها يدويا وفقا لمعايير القبول.

📝 ملخص

المفتاح لتوسيع امتداد الصف والكولسبان هو تتبع إحداثيات الإشغال باستخدام آلة حالة الشبكة واستخدام حدود الشبكة لمنع المدخلات غير الطبيعية. يجب أن تخضع كل من الرموز والمعايير لعينات إزالة التحسس والقبول اليدوي قبل استخدامها في الوثائق المهمة.

اختبر الآن: ارفع مستندك لتبدأ الترجمة، مع الحفاظ على التنسيق الأصلي

المراجع والخطوات التالية

• التوثيق الرسمي لشوربة الجميلة: https://www.crummy.com/software/BeautifulSoup/bs4/doc/#navigating-the-tree
• مواصفات جدول HTML (MDN): فهم القيم الصالحة لطول الصف والكولسبان وسلوك تحمل أخطاء المتصفح
• التالي: استخدم عينة HTML مجهولة الهوية الخاصة بك لتشغيل الكود أعلاه وتسجيل أنواع وتكرار الاستثناءات المفعلة. إذا حدثت مشاكل حدودية بشكل متكرر، أعد تقييم ما إذا كان يجب التحول إلى حل قائم على المنصة.

استخدم هذه القائمة لترجمة المستندات

يجب التعامل مع النص الرئيسي، والروابط، والشيفرة، وبنية مستندات الويب بشكل منفصل. أدرج الأقسام المحمية في قائمة التحقق من القبول ثم قيم قابلية القراءة وعرض الصفحة بعد الترجمة.

يوفر أومني دوك (إدخال المنتج) بوابات ترجمة وثائقية متعددة الصيغ، ويقدم الموقع الرسمي ميزات التعرف الضوئي على الحروف الضوئية، والقواميس، وميزات المراجع ثنائية اللغة. بالنسبة للفرق التي ترغب في البدء مباشرة من الملفات، هذا مسار يستحق التقييم باستخدام عينات فعلية. يرجى استخدام الملف المجهول الذي تفوض لرفعه والتحقق من النتائج باستخدام قائمة التحقق في هذا المقال. هذا لا يدعي أن أومني دوك يستخدم المكتبات مفتوحة المصدر أو الخوارزميات الداخلية المذكورة في هذا المقال، ولا يستبدل اختبار أداء المنتج بأمثلة.