Portál AbcLinuxu, 28. května 2024 12:11
20.9.2014 18:17
Bundas | skóre: 14
| Pardubice
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
Řešení dotazu:
20.9.2014 18:30
Bundas | skóre: 14
| Pardubice
Uz jsem to vyresil
<a href="/dafuq/[^/]*/([^/\"]*)/">[^<>/]*</a>
xmllint. Ta umí parsovat HTML o něco lépe.
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...
20.9.2014 23:36
Jakub Lucký | skóre: 40
| Praha
21.9.2014 01:01
Josef Kufner | skóre: 70
lynx -dump -listonly -nonumbers http://abclinuxu.cz/Na vytáhnutí odkazů z HTML to je velice praktické. Pak už ty regulární výrazy lze použít snadno.
21.9.2014 09:07
Fuky | skóre: 52
| blog: 4u
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 15:09
Fuky | skóre: 52
| blog: 4u
21.9.2014 15:31
Josef Kufner | skóre: 70
<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.xmlVýsledek:
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/"
/dafuq/lol/1/ /dafuq/lol/2/ /dafuq/lol/3/ /dafuq/lol/4/ /dafuq/lol/8/ /dafuq/lol/9/nebo
1, 2, 3, 4, 8, 9jinak než sedem? Obvykle používám xsltproc, což je na některé drobnosti zbytečně těžký kalibr. Na jednodušší věci momentálně používám program xqilla, ale úplně mi nesedí.
xpath vyměnit volání metody toString za getNodeValue a případně dál upravit dle potřeby.
21.9.2014 17:35
Josef Kufner | skóre: 70
21.9.2014 18:36
Josef Kufner | skóre: 70
#!/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.
Tiskni
Sdílej:
ISSN 1214-1267, (c) 1999-2007 Stickfish s.r.o.