abclinuxu.cz AbcLinuxu.cz itbiz.cz ITBiz.cz HDmag.cz HDmag.cz abcprace.cz AbcPráce.cz
Inzerujte na AbcPráce.cz od 950 Kč
Rozšířené hledání
×
    dnes 16:22 | Upozornění

    Společnosti Ticketmaster byla odcizena databáze s osobními údaji (jméno, adresa, telefonní číslo a část platebních údajů) 560 miliónů zákazníku. Za odcizením stojí skupina ShinyHunters a za nezveřejnění této databáze požaduje 500 tisíc dolarů [BBC].

    Ladislav Hagara | Komentářů: 0
    31.5. 23:55 | Nová verze

    Byla vydána nová stabilní verze 24.05 linuxové distribuce NixOS (Wikipedie). Její kódové označení je Uakari. Podrobný přehled novinek v poznámkách k vydání. O balíčky se v NixOS stará správce balíčků Nix.

    Ladislav Hagara | Komentářů: 0
    31.5. 17:33 | Nová verze

    Byla vydána nová verze 1.48.0 sady nástrojů pro správu síťových připojení NetworkManager. Novinkám se v příspěvku na blogu NetworkManageru věnuje Fernando F. Mancera. Mimo jiné se v nastavení místo mac-address-blacklist nově používá mac-address-denylist.

    Ladislav Hagara | Komentářů: 26
    31.5. 17:11 | Komunita

    Před 25 lety, 31. května 1999, započal vývoj grafického editoru Krita (Wikipedie). Tenkrát ještě pod názvem KImageShop a později pod názvem Krayon.

    Ladislav Hagara | Komentářů: 3
    31.5. 12:55 | Nová verze

    Farid Abdelnour se v příspěvku na blogu rozepsal o novinkám v nejnovější verzi 24.05.0 editoru videa Kdenlive (Wikipedie). Ke stažení brzy také na Flathubu.

    Ladislav Hagara | Komentářů: 0
    31.5. 11:22 | Zajímavý článek

    David Revoy, autor mj. komiksu Pepper&Carrot, se rozepsal o své aktuální grafické pracovní stanici: Debian 12 Bookworm, okenní systém X11, KDE Plasma 5.27, …

    Ladislav Hagara | Komentářů: 9
    30.5. 22:44 | Nová verze

    Wayland (Wikipedie) byl vydán ve verzi 1.23.0. Z novinek lze vypíchnout podporu OpenBSD.

    Ladislav Hagara | Komentářů: 0
    30.5. 21:22 | Zajímavý článek

    Craig Loewen na blogu Microsoftu představil novinky ve Windows Subsystému pro Linux (WSL). Vypíchnout lze GUI aplikaci pro nastavování WSL nebo správu WSL z Dev Home.

    Ladislav Hagara | Komentářů: 0
    30.5. 12:44 | Pozvánky

    V sobotu 1. června lze navštívit Maker Faire Ostrava, festival plný workshopů, interaktivních činností a především nadšených a zvídavých lidí.

    Ladislav Hagara | Komentářů: 0
    30.5. 12:22 | Nová verze

    Webový server Caddy (Wikipedie) s celou řadou zajímavých vlastností byl vydán ve verzi 2.8 (𝕏). Přehled novinek na GitHubu.

    Ladislav Hagara | Komentářů: 17
    Rozcestník

    Dotaz: Parsovani HTML pomoci regularnich vyrazu

    Bundas avatar 20.9.2014 18:17 Bundas | skóre: 14 | Pardubice
    Parsovani HTML pomoci regularnich vyrazu
    Přečteno: 400×

    Ahojte vsichni.

    Mam nekolik odkazu:
    <a href="/dafuq/lol/1/">1</a>
    <a href="/dafuq/lol/2/">2</a>
    <a href="/dafuq/lol/3/">3</a>
    <a href="/dafuq/lol/4/">...</a>
    <a href="/dafuq/lol/8/">8</a>
    <a href="/dafuq/lol/9/">9</a>

    Potrebuju z nich dostat tu cislovku na konci odkazu (napr. <a href="/dafuq/lol/9/">9</a>) pomoci regularniho vyrazu. Jak to mam udelat? Regexy mi vubec, vubec nejdou. Predem diky za pomoc

    Abe the Messiah has come.

    Řešení dotazu:


    Odpovědi

    Řešení 1× (Bundas (tazatel))
    Bundas avatar 20.9.2014 18:30 Bundas | skóre: 14 | Pardubice
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu

    Uz jsem to vyresil

     

    <a href="/dafuq/[^/]*/([^/\"]*)/">[^<>/]*</a>

    Abe the Messiah has come.
    20.9.2014 19:21 Kit | skóre: 45 | Brno
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    Zkus ještě utilitu xmllint. Ta umí parsovat HTML o něco lépe.
    Komentáře označují místa, kde programátor udělal chybu nebo něco nedodělal.
    20.9.2014 19:58 Kit | skóre: 45 | Brno
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    Místo regexpu se dá použít také XQuery:
    for $x in doc("input.html")//a
        return substring-before(substring-after($x/@href, 'lol/'), '/')
    
    Možná to nevypadá tak elegantně jako regexp, ale poradí si to i s více odkazy na řádku, zalomenými atributy, komentáři...
    Komentáře označují místa, kde programátor udělal chybu nebo něco nedodělal.
    Jakub Lucký avatar 20.9.2014 23:36 Jakub Lucký | skóre: 40 | Praha
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    If you understand, things are just as they are; if you do not understand, things are just as they are.
    Josef Kufner avatar 21.9.2014 01:01 Josef Kufner | skóre: 70
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    lynx -dump -listonly -nonumbers http://abclinuxu.cz/
    Na vytáhnutí odkazů z HTML to je velice praktické. Pak už ty regulární výrazy lze použít snadno.
    Hello world ! Segmentation fault (core dumped)
    21.9.2014 08:09 Kit | skóre: 45 | Brno
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    Paráda. Lynx používám, ale o této volbě jsem netušil. Díky.
    Komentáře označují místa, kde programátor udělal chybu nebo něco nedodělal.
    Fuky avatar 21.9.2014 09:07 Fuky | skóre: 52 | blog: 4u
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu

    Na parsování HTML bych doporučil nástroje k tomu určené a ne regulární výrazy.

    $ vim get_a_href.py
    #! /usr/bin/env python
    # -*- coding: utf-8 -*-
    
    import sys
    from lxml.html import parse
    
    if (len(sys.argv) != 2):
        print "Usage: %s FILENAME or URL" % sys.argv[0]
        sys.exit()
    
    page = parse(sys.argv[1])
    urls = page.xpath('//a/@href')
    
    for url in urls:
        print url
    $ chmod +x get_a_href.py
    
    21.9.2014 15:04 Petr | skóre: 29
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    Jeste bych se pripojil ke kolegovi, mam podobny dotaz ale ohledne parsovani XML - pro obcasne potreby pouzivam reg. vyrazy, je nejaky silnejsi nastroj v linuxu pod licenci GNU?
    Fuky avatar 21.9.2014 15:09 Fuky | skóre: 52 | blog: 4u
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    21.9.2014 15:29 Kit | skóre: 45 | Brno
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    xmllint, xmlstarlet, xqilla, xsltproc, xmlto,...
    Komentáře označují místa, kde programátor udělal chybu nebo něco nedodělal.
    Josef Kufner avatar 21.9.2014 15:31 Josef Kufner | skóre: 70
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    Je, ale těžko se hledají. Ono většinou se s XML pracuje z větších programů prostřednictvím knihoven a pro příkazový řádek toho moc není.

    Zkus: xpath, xmllint, xsltproc

    Například z XML v dotazu:
    <html>
    <a href="/dafuq/lol/1/">1</a>
    <a href="/dafuq/lol/2/">2</a>
    <a href="/dafuq/lol/3/">3</a>
    <a href="/dafuq/lol/4/">4</a>
    <a href="/dafuq/lol/5/">5</a>
    <a href="/dafuq/lol/6/">6</a>
    <a href="/dafuq/lol/7/">7</a>
    <a href="/dafuq/lol/8/">8</a>
    <a href="/dafuq/lol/9/">9</a>
    </html>
    Lze všechny URL získat takto:
    xpath -q -e '//a/@href' soubor.xml
    Výsledek:
     href="/dafuq/lol/1/"
     href="/dafuq/lol/2/"
     href="/dafuq/lol/3/"
     href="/dafuq/lol/4/"
     href="/dafuq/lol/5/"
     href="/dafuq/lol/6/"
     href="/dafuq/lol/7/"
     href="/dafuq/lol/8/"
     href="/dafuq/lol/9/"
    Hello world ! Segmentation fault (core dumped)
    21.9.2014 15:53 Kit | skóre: 45 | Brno
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    Teď koukám na xpath. Dalo by se z toho dostat např.
    /dafuq/lol/1/
    /dafuq/lol/2/
    /dafuq/lol/3/
    /dafuq/lol/4/
    /dafuq/lol/8/
    /dafuq/lol/9/
    
    nebo
    1, 2, 3, 4, 8, 9
    jinak než sedem? Obvykle používám xsltproc, což je na některé drobnosti zbytečně těžký kalibr. Na jednodušší věci momentálně používám program xqilla, ale úplně mi nesedí.
    Komentáře označují místa, kde programátor udělal chybu nebo něco nedodělal.
    21.9.2014 16:17 Kit | skóre: 45 | Brno
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    Tak už jsem na to přišel sám. Stačí v tom perlovém skriptu xpath vyměnit volání metody toString za getNodeValue a případně dál upravit dle potřeby.
    Komentáře označují místa, kde programátor udělal chybu nebo něco nedodělal.
    Josef Kufner avatar 21.9.2014 17:35 Josef Kufner | skóre: 70
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    Nechceš to dát jako volbu a poslat autorům patch?
    Hello world ! Segmentation fault (core dumped)
    21.9.2014 17:56 Kit | skóre: 45 | Brno
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    To není špatný nápad. Celý ten skript má jen 200 řádek, dá se to v něm snadno najít, ale přidání další volby pro mne není úplně triviální, protože v Perlu moc nedělám.

    Asi bych to musel nejprve trochu refaktorovat, aby se to tam dalo přidat jako volba. Otázkou je, zda má smysl se tím zabývat, protože podobných utilit je (jak vidno) hromada.
    Komentáře označují místa, kde programátor udělal chybu nebo něco nedodělal.
    Josef Kufner avatar 21.9.2014 18:36 Josef Kufner | skóre: 70
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    Tak aspoň pošli feature request s diffem, třeba to doplní. Ono těch snadno použitelných nástrojů zas tak moc není.
    Hello world ! Segmentation fault (core dumped)
    21.9.2014 19:14 Kit | skóre: 45 | Brno
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    Nerad dodělávám další vlastnosti. Raději odstraňuji ty, které považuji za zbytečné. Po odstranění zbytečných řádek zbylo z původních 205 jen 10.

    Máme kolem sebe tolik univerzálně použitelných nástrojů, až se mi někdy jeví jako univerzálně nepoužitelné. Redukce je občas nezbytná.
    Komentáře označují místa, kde programátor udělal chybu nebo něco nedodělal.
    21.9.2014 19:07 Kit | skóre: 45 | Brno
    Rozbalit Rozbalit vše Re: Parsovani HTML pomoci regularnich vyrazu
    Tak místo odpovědi autorům jsem ten skript trochu zkrátil a posílám ho sem:
    #!/usr/bin/perl -w
    
    use XML::XPath;
    $xpath = XML::XPath->new(ioref => \*STDIN);
    my $names = $xpath->find('//a/@href');
    for my $node ($names->get_nodelist) {
        $_ = $node->getNodeValue;
        s|^.*/([^/]*)/$|$1|;
        print $_, "\n";
    }
    
    A to je celé. Volby jsou pryč, vstupem je STDIN. Dělá to jen to, co chce tazatel, ale přímo z HTML.
    Komentáře označují místa, kde programátor udělal chybu nebo něco nedodělal.

    Založit nové vláknoNahoru

    Tiskni Sdílej: Linkuj Jaggni to Vybrali.sme.sk Google Del.icio.us Facebook

    ISSN 1214-1267   www.czech-server.cz
    © 1999-2015 Nitemedia s. r. o. Všechna práva vyhrazena.