Haš polí (Ruby)

24.2. 18:38 | Přečteno: 861× | Ostatní | poslední úprava: 24.2. 18:52

Skript ukládá názvy html elementů jako klíče a hodnota pro každý klíč je pole s čísly řádků, na kterých se element vyskytuje. Metoda scan hledá v řetězci všechny výskyty podle vzoru, v případě více nálezů vrací pole. Vzor je jeden nebo více alfanumerických znaků zleva ohraničených znakem < a zprava >, anebo bílým znakem.

#!/usr/bin/ruby -w

def printtags(tags)	# (hash of arrays)
  tags.each do |k,v|
    puts k
    v.each {|x| print "#{x} " }
    print "\n\n"
  end
end


abort "No file argument." if ARGV[0].nil?

tags = {}

ARGF.each_with_index do |line,n|  
  n += 1
  linetags = line.scan(/<\w+[\s>]/)  
  linetags.each do |t| 
    t.strip!    
    t.delete! "<>"
    if tags.key? t
      tags[t] << n  
    else
      tags[t] = [n]
    end  
  end
end

array = tags.sort
tags = array.to_h

printtags tags

Moc jsem to netestoval, tohle jsou spíše poznámky pro mě. Na případné dotazy budu odpovídat se zpožděním, protože zdejší ověřovací systém pro anonymní uživatele je velmi komplikovaný a otravný.        

Komentáře

[sad]

Nějaký tip na to, aby ten kód nebyl příště tak odskočený dolů?

[Cabrón]

Napsat delší úvod

Sidebar má float: right, blok s kódem má nastavenu width: 100%, takže to bez změny CSS stránky nejde jinak.

[Bystroushaak]

Ok, k čemu to je?

linetags = line.scan(/<\w+[\s>]/)

Viz obligátní You can't parse [X]HTML with regex. Because HTML can't be parsed by regex. Regex is not a tool that can be used to correctly parse HTML.

Moc jsem to netestoval, tohle jsou spíše poznámky pro mě. Na případné dotazy budu odpovídat se zpožděním, protože zdejší ověřovací systém pro anonymní uživatele je velmi komplikovaný a otravný.

Proč je takový problém se přihlásit, když to očividně umíš, jinak bys neodeslal ten blog?

[ehm]

neboť

[sad]

Tak tohle jsem nečetl, ale spíše by mně pomohly příklady za jakých okolností ten můj regex nebude fungovat.

Protože se nechci pořád přihlašovat a odhlašovat.

[Bystroushaak]

Protože se nechci pořád přihlašovat a odhlašovat.

Tak se.. ehm.. no, jak to jenom říci.. .. neodhlašuj?

Tak tohle jsem nečetl, ale spíše by mně pomohly příklady za jakých okolností ten můj regex nebude fungovat.

Například nechápe HTML komentáře, kde může být kód zakomentovaný. Obecně nemá kontext, takže nechápe ani kusy javascriptu, nebo třeba vkládané CSS:

<script>
alert("<tag>");
</script>

Taky nepočítá s tagy sahající přes víc řádků:

<meta http-equiv="Content-Type"
      content="text/html; charset=utf-8">

[sad]

Taky nepočítá s tagy sahající přes víc řádků

Je úplně jedno na kolik řádků je ten tag, protože jakmile scan narazí na bílý znak za meta, tak přestane hledat.

[Bystroushaak]

No, ano. To vidím. Proto jsem se ptal původně k čemu to je, protože si fakt moc neumím představit použití.

[Bedňa]

Takže to nejde a preto treba použiť BeautifulSoup ktorý interne používa REGEX :)

Ten jeho parser stojí samozrejme za kulové, ale v REGEX idú obidva príklady ľahko spraviť (re.MULTILINE). Horšie je, že v HTML sú značky párové, nepárové a párno/nepárne, s tým som mal problém, pretože aj takýto zápis je podľa W3C OK:

<ol>
  <li>text1
  <li>text2</li>
</ol>

Takých podpásoviek je viacero.

[ehm]

Fuck computer science. Regex rules all t3h gr4mm4rz!

[Bystroushaak]

Takže to nejde a preto treba použiť BeautifulSoup ktorý interne používa REGEX :)

Já třeba BeautifulSoup nepoužívám, napsal jsem si vlastní parser, regexp free. Ale je teda fakt, že je nekompletní, nedělá validace a neumí DTD a ten <script> taky neumí komplexně zpracovat (pokud tam bude cosi jako alert("</script>"), tak na tom padne). Jinak v moderním html, respektive javascriptu si můžeš definovat vlastní gramatiky a to pak parsovat nezvládne asi nic, kromě skutečného engine. Viz například brython a jeho

<script type="text/python">

Takých podpásoviek je viacero.

Jo, například P nemusí mít ukončovací tag a funguje to. To kdysi parsovat, to byla taky prdel.

[Bedňa]

Jasne nejaký konečný parser je problém napísať a veľa krát je to zbytočné. Keď si človek programuje vlastný parser, tak za nejakým účelom, čo tu autor neosvetlil.

Ja mám svoj na kontrolu HTML kódu, takže všetko ostatné zahadzuje. Vo výsledku zobrazí len tagy a pekne ich odsadí ako bonus vypíše koľko tagov tam je a či je všetko OK.

[Jendа]

Takže to nejde a preto treba použiť BeautifulSoup ktorý interne používa REGEX :)

Zdroj?

Pokud si odmyslíme limit na maximální zanoření, tak podle mě HTML nejde parsovat regulárními výrazy, protože je prostě o level výš v Chomského hierarchii (regexp vede na konečný automat, ale pro parsování HTML potřebuješ zásobníkový automat).

[perlátor]

Však to nemusí dělat regexp najednou, na to nemá, to máš pravdu, ale dá se to bez problémů prohnat výrazem znovu a znovu až do úplného rozebrání.

[ehm]

*facepalm*

Jsem to říkal, že s tím někdo přijde. :D

[Bedňa]

Aký s tým máš problém? Aj iné riešenia budú napísané na viac ako jeden riadok.

Facepalm.

[Bystroushaak]

Aký s tým máš problém? Aj iné riešenia budú napísané na viac ako jeden riadok.

No, tak hlavně klást důraz na to, že to bude co nejkratší mi přijde jako kladení důrazu na špatnou metriku.

Osobně nevidím důvod, proč regex používat. Jakože, v čem je výhoda vkládat do svého jazyka pattern matching brainfuck skládající se z pravidel o jednom znaku? Regex přestane být fakt rychle čitelný i pro docela triviální záležitosti a nemáš tam debugger, kvalitní chybové hlášky, dokumentaci, prostě nic. Jediná jeho výhoda je, že je „krátký“, což je ale typicky iluze daná tím, že problém, který se snažíš parsovat nechápeš v celé jeho komplexitě. Viz starý dobrý emailregex.com, který v ruby definuje regexp na korektní (dle RFC) parsování emailu v ruby/perlu takto:

(?:(?:\r\n)?[ \t])*(?:(?:(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t]
 )+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:
 \r\n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(
 ?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[
 \t]))*"(?:(?:\r\n)?[ \t])*))*@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\0
 31]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\
 ](?:(?:\r\n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+
 (?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:
 (?:\r\n)?[ \t])*))*|(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z
 |(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:\r\n)
 ?[ \t])*)*\<(?:(?:\r\n)?[ \t])*(?:@(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\
 r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[
 \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)
 ?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t]
 )*))*(?:,@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[
 \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*
 )(?:\.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t]
 )+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*))*)
 *:(?:(?:\r\n)?[ \t])*)?(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+
 |\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:\r
 \n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:
 \r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t
 ]))*"(?:(?:\r\n)?[ \t])*))*@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031
 ]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](
 ?:(?:\r\n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?
 :(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?
 :\r\n)?[ \t])*))*\>(?:(?:\r\n)?[ \t])*)|(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?
 :(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?
 [ \t]))*"(?:(?:\r\n)?[ \t])*)*:(?:(?:\r\n)?[ \t])*(?:(?:(?:[^()<>@,;:\\".\[\]
 \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|
 \\.|(?:(?:\r\n)?[ \t]))*"(?:(?:\r\n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?:[^()<>
 @,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"
 (?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:\r\n)?[ \t])*))*@(?:(?:\r\n)?[ \t]
 )*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\
 ".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?
 :[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[
 \]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*))*|(?:[^()<>@,;:\\".\[\] \000-
 \031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(
 ?:(?:\r\n)?[ \t]))*"(?:(?:\r\n)?[ \t])*)*\<(?:(?:\r\n)?[ \t])*(?:@(?:[^()<>@,;
 :\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([
 ^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\"
 .\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\
 ]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*))*(?:,@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\
 [\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\
 r\\]|\\.)*\](?:(?:\r\n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\]
 \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]
 |\\.)*\](?:(?:\r\n)?[ \t])*))*)*:(?:(?:\r\n)?[ \t])*)?(?:[^()<>@,;:\\".\[\] \0
 00-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\
 .|(?:(?:\r\n)?[ \t]))*"(?:(?:\r\n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?:[^()<>@,
 ;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?
 :[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:\r\n)?[ \t])*))*@(?:(?:\r\n)?[ \t])*
 (?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".
 \[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?:[
 ^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]
 ]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*))*\>(?:(?:\r\n)?[ \t])*)(?:,\s*(
 ?:(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\
 ".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:\r\n)?[ \t])*)(?:\.(?:(
 ?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[
 \["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:\r\n)?[ \t
 ])*))*@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t
 ])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*)(?
 :\.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|
 \Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*))*|(?:
 [^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\
 ]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:\r\n)?[ \t])*)*\<(?:(?:\r\n)
 ?[ \t])*(?:@(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["
 ()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*)(?:\.(?:(?:\r\n)
 ?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>
 @,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*))*(?:,@(?:(?:\r\n)?[
 \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,
 ;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t]
 )*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\
 ".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*))*)*:(?:(?:\r\n)?[ \t])*)?
 (?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".
 \[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:\r\n)?[ \t])*)(?:\.(?:(?:
 \r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z|(?=[\[
 "()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:\r\n)?[ \t])
 *))*@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])
 +|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*)(?:\
 .(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z
 |(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*))*\>(?:(
 ?:\r\n)?[ \t])*))*)?;\s*)

A to je jen email, parsovat tím URL, nebo nedej bože HTML, to je o hodně horší.

Uznávám použití na quick and dirty věci, ale obecně v kódu? Proč? Typicky co jsem tak viděl, tak je to často dáno jen tím, že autor není schopný napsat parser v čemkoliv jiném (eBNF třeba), i když by tam mohl být podstatně čitelnější.

[Bedňa]

Je rýchly a osobne ho používam z rozumom, na email ide použiť aj '[^@]+@[^@]+\..+' a bude to úplne korektné. Pretože RFC nepoznám a neviem aké všetky znaky môže obsahovať emailová adresa, tak mi to postačí. Ak budeš riešiť RFC hocijak inak, tak tam bude tiež kopec "IF", pretože v tom regulárnom výraze vidím kopec podmienok a ľahko to posereš a debuger nič hlásiť nebude, pretože on netuší, že ty chceš pársovať email, zatiaľ nemá AI.

[Bystroushaak]

Je rýchly a osobne ho používam z rozumom, na email ide použiť aj '[^@]+@[^@]+\..+' a bude to úplne korektné. Pretože RFC nepoznám a neviem aké všetky znaky môže obsahovať emailová adresa, tak mi to postačí.

Jinými slovy; Přijde ti to korektní, protože ti nevadí, že to korektní není.

Ak budeš riešiť RFC hocijak inak, tak tam bude tiež kopec "IF", pretože v tom regulárnom výraze vidím kopec podmienok a ľahko to posereš a debuger nič hlásiť nebude, pretože on netuší, že ty chceš pársovať email, zatiaľ nemá AI.

To si děláš prdel, ne? Od toho jsou parsovací gramatiky. Tohle je například zbytečně ukecané, protože je to určené do emailového klienta a tak to řeší ještě skupiny a jména, ale dá se to použít jako ukázka: email-address.bnf. Přímo RFC je napsané v abnf.

[Bedňa]

Ntuším prečo ten REGEX pre email je tak zložitý, pretože napríklad z tvojho odkazu

ALPHA | DIGIT | "!" | "#" | "$" | "%" | "&" | "'" |
"*" | "+" | "-" | "/" | "=" | "?" | "^" | "_" |
"`" | "{" | " | " | "}" | "~"

napíšem

[a-zA-Z0-9 no a tie ďaľšie znaky]

Zrejme toho rieši ďaleko viac.

Inak aj v REGEX existuje ALPHA a DIGIT, zapisuje sa to ako

[[:alpha:]] [[:digit:]]

[Bystroushaak]

Mně to vysvětlovat nemusíš, jsem si toho vědom. Myslím, že ti úplně uniká pointa toho, co jsem napsal.

[Bedňa]

Tak písal si že REGEX je zbytočný, podľa mňa dobrý nástroj. Veľa krát potrebuješ pársovať jednoduchý text na postupnosť znakov, napr. <h1>...</h1>, tak napíšeš '<h1>(.*)</h1>' a máš výsledok. V základe je syntax primitívna a nieje problém sa ju naučiť.

[Bedňa]

Inak aj REGEX je vlastne pasovacia gramatika.

[Jendа]

Ano, je, u většiny implementací regexů je to konkrétně regulární/L3 gramatika, ale podle mě ti uniká, že existuje hierarchie gramatik, a těmi, co jsou v hierarchii níže, prostě principiálně není možné vyšší jazyky popsat.

[wamba]

Často jsou implementace regexů něčím rozšířeny, např. pomoci PCRE můžeš popsat bezkontextový jazyk aⁿbⁿ

perl -E 'say $1 if "aaabbb" =~ / \A (a (?1)? b) \z /x'

i kontextový aⁿbⁿcⁿ

perl -E 'say "$1, $2" if "aaabbbccc" =~ / \A (?= a* (b (?1)? c) )  ( a (?2)? b ) c* \z /x'

[Bedňa]

Máš pravdu, ale ja som to tu v komentároch osvetloval ako s ním pracujem.

REGEX používam ako nástroj na čo bol určený a to je parsovať text. Pokiaľ ide zložitejšie štruktúry tak používam nejaký jazyk a REGEX.

HTML: zoberiem si tag '<([[:alpha:]]+)[^<]*>(.*)<\\1>' no a keď je to TRUE, tak s tým ďalej môžem pracovať. Samozrejme musím mať množinu nepárových tagov a párovo/nepárových tagov, aby som s tým ďalej mohol pracovať (Dík W3C).

Jako viem chalani že máte pravdu, že sú tu nástroje na to určené a väčšina Jazykov má proste na HighLevel nejaké nástrojé, mno kurwa, tie väčšinou stoja za kulové, ako npríklad:

Ideš spraviť posratý export XML do CSV, tak to na 99.99% skape. Mno a po čom šiahnem? Mno napíšem si to sám s REGEXP + niečo.

[Josef Kufner]

Např. <a data-lt="<"></a> je validní HTML, které ti to neveme. A tohle ti to matchne blbě: <a><![CDATA[foo</a>bar]]></a>

Ušetříš si spoustu starostí, když namísto regexpu použiješ DOM parser a pustíš na to XPath.

[Bedňa]

Ako som písal, viem na čo púšťam ten parser a ak to budem spúšťať nad dementnými :) atribútmi, tak tam pridám parser.

[luv]

+1

[ehm]

Použít to na nějakou podčást je irelevantní implementační detail (a většinou spíš prasárna).

[Bedňa]

Okrem výgrckov máš aj niečo k téme?

[ehm]

Na tom není, co diskutovat.

[perlátor]

Pořádek musí bejt! ;)

[Bedňa]

Takže to nejde a preto treba použiť BeautifulSoup ktorý interne používa REGEX :)

Zdroj?

Pozrel som sa do zdrojáku.

Pokud si odmyslíme limit na maximální zanoření, tak podle mě HTML nejde parsovat regulárními výrazy, protože je prostě o level výš v Chomského hierarchii (regexp vede na konečný automat, ale pro parsování HTML potřebuješ zásobníkový automat).

To samozrejme obídeš kombináciou REGEX a skriptu. Samozrejme to napísať čiste v regulárnom výraze by bola šialenosť.

[ehm]

Samozrejme to napísať čiste v regulárnom výraze by bola šialenosť.

Především to nejde.

[ehm]

+1. Konečně někdo.

[luv]

Hele nekde parsuju (a upravuju) regexama i zdrojaky pythonu a funguje to jak ma (jasne, ze by to slo rozbit, kdyby nekdo fakt chtel), ale souhlasim, ze parsovat html regexama nedava moc smysl, kdyz i v ruby na to bude funkcionalita ve standardni knihovne.

[ehm]

Asi záleží, čemu říkáš parsování.

[perlátor]

Nebuďte malomyslní a raději se podívejte, jak má vypadat takovej pořádnej regulární výraz 30-40 minuta ;).

[xsubway]

Diky za odkaz. Fakt pobavilo. Nakonec jsem se díval 20 minut