BashBastlení: Parsování HTML a ohákování textu

26.9.2009 23:56 | Přečteno: 3037× | Linux | poslední úprava: 27.9.2009 13:43

Občas si ubastlím nějaký "užitečný" skriptík. Co dnes: Skript, který mi každý den pošle SMS s přehledem suplování. | Přidání diakritiky ke stránce. | Referendum v Bashi.

Bakaláři

Gymnasium, které navštěvuji, používá IS Bakaláři. Ten vyblívá suplování do HTML souboru. Co kdyby se cronem spouštěl skript, který mi pošle SMS, jestli je nějaké suplování? Člověk by se ráno nemusel tlačit u Nastěnky...

#!/bin/bash
# Parsování suplování z Bakalářů
# Nedostatečně otestovaná alfaverze (prověří Čas). Používejte na vlastní risiko.
# Jan Hrach, <jenda zav hrach t eu>
# 
# Skript by pravděpodobně mohl fungovat i s jinými versemi Bakalářů,
#  ale formát tabulky se může změnit.
# Zejména další třída nemusí začínat "  " (dvěma mezerami), ale
#  jen jednou (v jiné versi to tak skutečně je).
# 
# Skript má jediný parametr a tím je třída, pro kterou má získat suplování.
# 
# Testovací tabulky:
#  http://gomora.hrach.eu/misc/suplobec-sample.htm (GSG Praha, na ní je skript odladěn)
#  http://www.horackova.cz/suplovani/suplobec.htm (jiná verse BK)
#

SOUBOR=suplobec.htm
TRIDA="$1"

# wget a tak...
# přihlášení a uložení sušenky, u nás má oficiálně platnost do konce session, takže by to
# s --keep-session-cookies mělo stačit tak jednou za rok
wget --save-cookies cookie.txt --keep-session-cookies "https://www.gsgpraha.cz/login.php" \
 --post-data="return=%2Fintranet%2F&username=hrachj&pass=----&loginButton=P%F8ihl%E1sit+se" -q -O /dev/null \
 --no-check-certificate
# Tajné služby právě získaly vaše heslo. Gratulujeme.
# Bohužel je stejně self-signed a nikde ve škole nevisí jeho fingeprint 

# UPDATE: Centrální Mozek Lidstva dovoluje přihlásit se jenom jednou sušenkou najednou 

# stáhnutí stránky se suplováním
wget --load-cookies cookie.txt https://www.gsgpraha.cz/intranet/rozvrhy/suplobec.htm -O - -q \
 --no-check-certificate |\
 # Tajné služby právě získaly vaši sušenku. Gratulujeme.
 # je to ve win1250 s CRLF konci řádků
 recode cp1250..utf8 > $SOUBOR

parsni_tr() {
  #vygrepnutí zpracovávaného řádku
  grep "  "$TRIDA $SOUBOR -A $((7 + $1)) | tail -n 7 |\
  #smazání tagů, komprese mezer - SMS musí být krátká, odstranění diakritiky, převedení na jeden řádek
  sed -e 's/<[^>]*>//g' | tr -d " " | iconv -f utf-8 -t us-ascii//translit | tr "\n" " " |\
  # když supluje, nemusí být uvedena cílová učebna
  sed -e 's/\ \;/ - /g' #|\
  # vyříznutí jen těch informací, které chci
  #cut -d " " -f 1,2,3,4,5,6
}

if grep "  "$TRIDA $SOUBOR > /dev/null; then
  # datum
  MESSAGE=`grep textlarge_3 $SOUBOR | cut -d " " -f 3`
  SUPL_NUM=0
  while true; do
    if [ $SUPL_NUM -gt 0 ]; then
      if grep "  "$TRIDA $SOUBOR -A $((7 + $SUPL_NUM * 10 )) | tail -n 8 | grep -E '(<p>  |</table>)' > /dev/null; then
        break
      fi
    fi
    if [ $SUPL_NUM -gt 100 ]; then
      # fallback
      #  1) může mu rupnout v kouli
      #  2) formát souboru se může změnit
      break
    fi
    SUPL_RES=`parsni_tr $(( $SUPL_NUM * 10 ))`
    MESSAGE="$MESSAGE $SUPL_RES,"
    SUPL_NUM=$(( $SUPL_NUM + 1 ))
  done
else
  MESSAGE="$MESSAGE bohuzel nebylo tazeno zadne suplovani"
fi

MESSAGE=`echo $MESSAGE |\
  # misc. optimalisace délky
  sed -e 's/.hod/h/g' -e 's/ - /-/g' -e 's/supluje/supl/g' -e 's/spoji/spoj/g' -e 's/\,$//g' -e 's/odpada/odpad/g' -e 's/presun>>/pres/g' -e 's/presun/pres/g'`

# Já si to posílám na mobil v síti T-Mobile
# http://jenda.blog.root.cz/2007/10/29/sledovani-zmen-a-posilani-sms/
echo $MESSAGE #| mail -s "SPL" ----@t-email.cz

Pridani >> Přidání diakritiky

Tady sídlí skript, kterému do formuláře dáte text a on vám ho vrátí ohákovaný. Je to ale dost opruz. Co si udělat bookmarklet - po kliknutí na záložku se vám stránka zobrazí ohákovaná? Použitelné hlavně při čtení NetMagu. Má to ještě trochu problémy s kódováním...

Budete potřebovat webserver s Bashem. V LigHTTPd se to dělá takhle:

cgi.assign = ( ".sh" => "/bin/bash" )

Potom si přidáte do prohlížeče bookmark:

javascript:window.location.href%20=%20"http://gomora.hrach.eu/ohakovani.sh?"%20+%20window.location.href;

gomora.hrach.eu je můj experimentální server, můžete ho k tomu použít, ale nezaručuji, že bude mít 100% dostupnost. Skriptík vypadá takto a můžete si ho dát k sobě na server:

echo "X-Powered-By: /bin/bash "
echo "Content-type: text/html; charset=UTF-8"
echo ""

STRANKA=`wget -q -O - "$QUERY_STRING" | sed -e 's/\&/%26/g'`


wget -q -O - --post-data="usepre=1&text=$STRANKA" http://nlp.fi.muni.cz/cz_accent/index.php | tr -d "\n" | recode iso8859-2..utf8 | sed -e 's/.*    <TABLE cellpadding=10><TR><TD bgcolor=#b0e0ff>\(.*\)<\/PRE><\/TD><\/TR><\/TABLE>.*/\1/g' -e 's/\<\;/</g' -e 's/\>\;/>/g' -e 's/\&\;quot\;/\"/g' -e 's/\"\;/\"/g' -e 's/<PRE>//g' -e 's/\&\;nbsp\;/\ \;/g'

Výsledek může vypadat třeba takto.

Humr: irské referendum v Bashi

REPLY=n; until [ "$REPLY" = y ]; do read -n 1 -s -p $'Souhlasíte s Lisabonskou smlouvou? [y/n]\n'; done; echo "Lisabonská smlouva schválena"

       

Komentáře

[Limoto]

To suplování je dobrej nápad. To si taky pořídím

[Jendа]

[Ten google prozradí věcí... Už jsem mezi zdejší komunitou stařec ]

Tvá škola má taky Bakaláře?

[Limoto]

Google je svině

 

Jo, má... Ale skript si stejně napíšu vlastní

[Jendа]

Ale skript si stejně napíšu vlastní

Lepší, jednodušší, co? Tak ho sem pak přidej. Mně to na jeden řádek nejde.

[Sleep_Walker]

1. promenne do uvozovek, zvlast kdyz davas moznost uzivateli vstup (TRIDA=$1 - remember Bobby Tables ;)
2. diky za info o hackujicim serveru, to jsem neznal
3. add referendum - uvozovky a read ma i parametr -p :)

[Jendа]

remember Bobby Tables

Bakaláři používají jako databázi Postgres, tak to by mě zajímalo, jestli by to někoho s takovým jménem oescapovalo

diky za info o hackujicim serveru, to jsem neznal

Ano, je škoda, že to někteří autoři zdejších blogů nepoužívají. Občas to sice doplní špatně (když je víc možností s různým smyslem - hackujícím, háčkujícím ;), ale i tak se výsledný text čte lépe než dlouhý text bez diakritiky.

add referendum - uvozovky a read ma i parametr -p :)

Dobrý nápad

[Jendа]

Přečetl jsem si read -h a udělal jsem to ještě křupavější. To jsem zvědavý, jak to v tom Irsku 3.10. dopadne. Škoda, že nemají ^C...

[pht]

STRANKA=`wget -q -O - $QUERY_STRING | sed -e 's/\&/%26/g'`

to je dobrej backdoor...

[Jendа]

1) Přidal jsem kolem toho uvozovky, ale to asi nepomůže, co? Asi bych měl kolem toho udělat PHP wrapper s escapeshellcmd(), nebo to jde vyřešit i nějak lépe?

Ano, na skriptování jsem levý ;).

2) Zkoušel jsem tomu i skriptu s wget $1 dávat jako parametr věci typu " | touch /tmp/soubor" a nějak se mi nedaří...

[pht]

Uvozovky stačí.