abclinuxu.cz AbcLinuxu.cz itbiz.cz ITBiz.cz HDmag.cz HDmag.cz abcprace.cz AbcPráce.cz
AbcLinuxu hledá autory!
Inzerujte na AbcPráce.cz od 950 Kč
Rozšířené hledání
×

    včera 22:22 | Nová verze

    CyberChef je webová aplikace pro analýzu dat a jejich kódování a dekódování, šifrování a dešifrování, kompresi a dekompresi, atd. Často je využívaná při kybernetických cvičeních a CTF (Capture the Flag). Vydána byla nová major verze 10 (aktuálně 10.4.0). Přehled novinek v Changelogu.

    Ladislav Hagara | Komentářů: 0
    včera 19:22 | Nová verze

    UBports, nadace a komunita kolem Ubuntu pro telefony a tablety Ubuntu Touch, vydala Ubuntu Touch OTA-1 Focal založené na Ubuntu 20.04 Focal Fossa.

    Ladislav Hagara | Komentářů: 0
    včera 17:11 | IT novinky

    Společnost Red Hat slaví 30 let.

    Ladislav Hagara | Komentářů: 1
    včera 15:22 | IT novinky

    Ve věku 91 let zemřel izraelský informatik Ja'akov Ziv, spolutvůrce bezztrátových kompresních algoritmů LZ77, LZ78 a LZW (Lempel–Ziv–Welch).

    Ladislav Hagara | Komentářů: 0
    včera 11:00 | IT novinky

    Byla představena nová Arduino deska Arduino UNO R4 s 32bitovým MCU RA4M1 (Arm Cortex-M4). Desku lze zatím získat pouze v rámci early access programu.

    Ladislav Hagara | Komentářů: 0
    26.3. 18:33 | Nová verze

    Operační systém MidnightBSD, fork FreeBSD optimalizovaný pro desktop s prostředím Xfce, byl vydán ve verzi 3.0. Přehled novinek v poznámkách k vydání.

    Ladislav Hagara | Komentářů: 7
    26.3. 18:22 | IT novinky

    Na GOG.com běží Spring Sale. Při té příležitosti lze získat zdarma počítačovou hru Neurodeck: Psychological Deckbuilder (ProtonDB).

    Ladislav Hagara | Komentářů: 0
    25.3. 12:33 | Komunita

    Alex Ellis upozornil 15. března, že firma Docker se chystala zrušit bezplatný hosting open-source projektů na Docker Hubu. Po vlně odporu se představitelé firmy omluvili a posléze byl původní záměr odvolán.

    Fluttershy, yay! | Komentářů: 29
    25.3. 07:00 | IT novinky

    Ve věku 94 let zemřel Gordon Moore, mj. spoluzakladatel společnosti Intel a autor Moorova zákona.

    Ladislav Hagara | Komentářů: 1
    24.3. 17:11 | Nová verze

    Mercurial (Wikipedie), software pro SCM (Source Code Management), byl vydán ve verzi 6.4. Přehled novinek v poznámkách k vydání. Ve dnech 5. až 7. dubna proběhne konference Mercurial Paris.

    Ladislav Hagara | Komentářů: 0
    Používáte WSL (Windows Subsystem for Linux)?
     (74%)
     (12%)
     (4%)
     (11%)
    Celkem 342 hlasů
     Komentářů: 4, poslední 24.3. 06:42
    Rozcestník


    Dotaz: prevod HTML tabulky na csv soubor

    2.11.2011 17:01 Milan Roubal | skóre: 25
    prevod HTML tabulky na csv soubor
    Přečteno: 563×
    Zdravim, mam problem s prevodem HTML tabulky na datovy soubor, ktery by byl strojove zpracovatelny. Dosud jsem pro tuto operaci pouzival prikaz
    lynx -width=8000 -dump "file:///temp/data.html" > data.txt
    
    Bohuzel nejnovejsi datovy soubor uz ma vice nez 1000 znaku na vyrenderovanem radku a z nejakeho neznameho duvodu (asi vnitrni limit lynxu) se nejdelsi radek renderuje jen do 1000 znaku a pak zacne na novem radku. Bohuzel vysledek nema v tom pripade pravidelnou sloupcovou strukturu a sloupce jsou ruzne posunute o nepredikovatelny pocet mezer. Zdrojovy HTML soubor ma asi 215 MB.

    Neznate nekdo nejaky jiny program, ktery zvladne prevest HTML tabulku na textovy soubor (at uz s pevnou sirkou sloupce nebo jako soubor s nejakym preddefinovanym oddelovacem? Diky za jakykoliv rozumny tip.

    Odpovědi

    2.11.2011 17:33 NN
    Rozbalit Rozbalit vše Re: prevod HTML tabulky na csv soubor
    Nebyl by to idealni pripad napsat si vlastni skript ?

    NN
    2.11.2011 18:00 Kit
    Rozbalit Rozbalit vše Re: prevod HTML tabulky na csv soubor
    Zkus v PHP DOMDocument::loadHTMLfile();
    3.11.2011 10:40 Milan Roubal | skóre: 25
    Rozbalit Rozbalit vše Re: prevod HTML tabulky na csv soubor
    Diky za tip. Bohuzel jakykoliv nastroj, co udrzuje cely dokument najednou v pameti, neni dobry napad.
    cezz avatar 3.11.2011 02:09 cezz | skóre: 24 | blog: dm6
    Rozbalit Rozbalit vše Re: prevod HTML tabulky na csv soubor
    Computers are not intelligent. They only think they are.
    bambas avatar 3.11.2011 08:04 bambas | skóre: 20 | blog: bambasovo
    Rozbalit Rozbalit vše Re: prevod HTML tabulky na csv soubor
    No naprevod tabulky dost na prd. Cekal bych, ze prevede tabulku tak, kazdy radek tabulky nacpe do jednoho radku txt souboru a hodnoty oddeli carkou ci strednikem.
    3.11.2011 10:08 Milan Roubal | skóre: 25
    Rozbalit Rozbalit vše Re: prevod HTML tabulky na csv soubor
    Diky za tip, ale pro moje ucely to bohuzel neni pouzitelne. Ve vysledku zustavaji neprelozene znaky jako napriklad & nbsp; a dalsi.
    cezz avatar 4.11.2011 09:43 cezz | skóre: 24 | blog: dm6
    Rozbalit Rozbalit vše Re: prevod HTML tabulky na csv soubor
    Tak mozno iny z kvanta html2txt programov - co som tak narychlo pozeral, nasiel som 3 dalsie.
    Computers are not intelligent. They only think they are.
    3.11.2011 08:49 Šangala | skóre: 56 | blog: Dutá Vrba - Wally
    Rozbalit Rozbalit vše Re: prevod HTML tabulky na csv soubor
    Pokud je to jednoduchý pevný html formát, něco jako
    <tr><td>X<td><td>Y<td></tr>
    <tr><td>X<td><td>Y<td></tr>
    tak to jednoduchých několik regulárních výrazů zvládne.
    Nevím jak z velikostí toho souboru (trošku bych se bál), ale obecně OO Calc by to mohl načíst a uložit.
    To, že trpíš stihomamem, ještě neznamená, že po tobě nejdou. ⰞⰏⰉⰓⰀⰜⰉ ⰗⰞⰅⰜⰘ ⰈⰅⰏⰉ ⰒⰑⰎⰉⰁⰕⰅ ⰏⰉ ⰒⰓⰄⰅⰎ ·:⁖⁘⁙†
    3.11.2011 09:51 Kit
    Rozbalit Rozbalit vše Re: prevod HTML tabulky na csv soubor
    Regulární výrazy jsou hezká věc a dlouho jsem je používal i k podobným účelům, ale jakýkoli HTML parser je praktičtější a spolehlivější.
    3.11.2011 11:32 Milan Roubal | skóre: 25
    Rozbalit Rozbalit vše Re: prevod HTML tabulky na csv soubor
    Narazil jsem na tento soubor regularnich vyrazu, ktery pravdepodobne uz resi vetsinu zaludnosti prevodu HTML na text. Zatim to vypada jako nejschudnejsi varianta.
    3.11.2011 11:56 Kit
    Rozbalit Rozbalit vše Re: prevod HTML tabulky na csv soubor
    Tak ten skript vypadá úplně šíleně. Je složitý a přitom některé možnosti zápisu HTML vůbec neřeší. Na určité speciální případy se možná použít dá, ale parsery to řeší mnohem lépe.
    3.11.2011 10:01 Milan Roubal | skóre: 25
    Rozbalit Rozbalit vše Re: prevod HTML tabulky na csv soubor
    Format vypada podle vseho asi takto:
    <tr ....>
    <th ....>
    Z
    </th>
    </tr>
    <tr ....>
    <td ....>
    X
    </td>
    <td ....>
    Y
    </td>
    </tr>
    
    Nedokazu odhadnout, zda se nekde uvnitr souboru formatovani nezmeni, zda tam neni napriklad prazdny radek.

    Problem je, ze uvnitr tech policek muze byt cokoliv, zatim jsem tam nasel napriklad & nbsp ; a & quot ;.

    Proto hledam takovy prevodovy mechanizmus, ktery je vyzkouseny take na UTF8 a UTF16 souborech, nebot pristi datovy soubor bude s cinskyma znakama. Prevod se musi povest na 100%, nemuzu si bohuzel dovolit zjistit za tyden ze jsem nejake specialni znaky v HTML zapomnel prevest.
    3.11.2011 11:14 l4m4
    Rozbalit Rozbalit vše Re: prevod HTML tabulky na csv soubor
    S tak specifickými požadavky si to asi budeš muset napsat. Pokud je držení 250MB v paměti problém, tak použij v podstatě jakýkoli SAX parser v tvém oblíbeném jazyce, při textNode shdromažďuj hodnoty, pokud je přímý rodič td nebo th a při elementEnd elementu tr je vyplivni jako CSV řádek.
    3.11.2011 23:48 rastos | skóre: 62 | blog: rastos
    Rozbalit Rozbalit vše Re: prevod HTML tabulky na csv soubor
    Ja teda neviem ..., ale nešlo by urobiť niečo ako

    cat vstup.html | tr -d \\n | sed -e 's,</tr ....><tr ....>,\n,g' -e 's,</td ....><td ....>,\n,g' > vystup.csv

    ?
    3.11.2011 12:16 Milan Roubal | skóre: 25
    Rozbalit Rozbalit vše Re: prevod HTML tabulky na csv soubor
    Tak to vypada ze existuje i moznost opravit lynx. Narazil jsem na tuto diskuzi. Asi nejrychlejsi reseni pokud to bude fungovat.

    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.