DjangoBB LoFi version

Полная версия: Не могу разобратся с регулярным выражением(модуль re)

Начало » Центр помощи » Не могу разобратся с регулярным выражением(модуль re)

prisrak_razyma

Сен. 3, 2017 21:12:50

Здравствуйте вытащил js код странницы нужно через регулярное выражение получить массив вида
. Вот js код:

 <script type="text/javascript">
  var transl_next_page='Следующая страница';
  var prevLink = true;
  var nextLink = true;
  var nextChapterLink = "/noblesse/vol8/473";
//  var ads = ""
  var servers = ['http://e4.postfact.ru/','http://e2.postfact.ru/','http://e3.postfact.ru/','http://e5.postfact.ru/','http://e1.postfact.ru/','http://e6.postfact.ru/','http://e7.postfact.ru/','http://e8.postfact.ru/'];
  function sendExternalSize(divH, w) {
  }
  function sendURL(path) {
  }
  rm_h.init( [['auto/22/58','http://e6.postfact.ru/',"/42/Noblesse_ch471_00.png_res.jpg",690,703],['auto/22/58','http://e7.postfact.ru/',"/42/Noblesse_ch471_01.png_res.jpg",690,19200],['auto/22/58','http://e5.postfact.ru/',"/42/Noblesse_ch471_02.png_res.jpg",690,19200],['auto/22/58','http://e2.postfact.ru/',"/42/Noblesse_ch471_03.png_res.jpg",690,18748],['auto/22/58','http://e8.postfact.ru/',"/42/Noblesse_ch471_04.png_res.jpg",690,20765],['auto/22/58','http://e6.postfact.ru/',"/42/Noblesse_ch471_05.png_res.jpg",690,17600],['auto/22/58','http://e3.postfact.ru/',"/42/Noblesse_ch471_06.png_res.jpg",690,10522]], 0, false);
</script>

Вот код через которые получаю js.

 from bs4 import BeautifulSoup
import os, requests
def readmanga(url, download=0, filename=False):
    name1 =url.split('/')[2]
    r = requests.get(url)
    soup = BeautifulSoup(requests.get(url).text, 'lxml')
    name = 'MANGA'+os.sep+name1+os.sep+soup.find('span', {'class': 'name'}).text
    aray1 = soup.find('table', {'class': 'table table-hover'}).find_all('a')
    aray=[]
    for link in aray1:
        aray.append('http://'+name1+link.get('href'))
    soup = BeautifulSoup(requests.get(aray[1]).text, 'lxml')
    aray1 = soup.find_all('script', {'type': 'text/javascript'})[8]
    print(aray1)

scidam

Сен. 4, 2017 02:54:02

prisrak_razyma
Здравствуйте вытащил js код странницы нужно через регулярное выражение получить массив вида

Парсинг js дело не простое и только regexp здесь не поможет. Используйте пакет slimit,
думаю с его помощью вы получите то, что нужно:

 s = '''
  var transl_next_page='Следующая страница';
  var prevLink = true;
  var nextLink = true;
  var nextChapterLink = "/noblesse/vol8/473";
//  var ads = ""
  var servers = ['http://e4.postfact.ru/','http://e2.postfact.ru/','http://e3.postfact.ru/','http://e5.postfact.ru/','http://e1.postfact.ru/','http://e6.postfact.ru/','http://e7.postfact.ru/','http://e8.postfact.ru/'];
  function sendExternalSize(divH, w) {
  }
  function sendURL(path) {
  rm_h.init( [['auto/22/58','http://e6.postfact.ru/',"/42/Noblesse_ch471_00.png_res.jpg",690,703],['auto/22/58','http://e7.postfact.ru/',"/42/Noblesse_ch471_01.png_res.jpg",690,19200],['auto/22/58','http://e5.postfact.ru/',"/42/Noblesse_ch471_02.png_res.jpg",690,19200],['auto/22/58','http://e2.postfact.ru/',"/42/Noblesse_ch471_03.png_res.jpg",690,18748],['auto/22/58','http://e8.postfact.ru/',"/42/Noblesse_ch471_04.png_res.jpg",690,20765],['auto/22/58','http://e6.postfact.ru/',"/42/Noblesse_ch471_05.png_res.jpg",690,17600],['auto/22/58','http://e3.postfact.ru/',"/42/Noblesse_ch471_06.png_res.jpg",690,10522]], 0, false);
  }
'''
import re
bad_pattern = re.compile(r'var\s+(?P<name>[a-zA-Z_]+)\s?=\s?(?P<value>[^;]+);')
matches = bad_pattern.findall(s)
print(matches)
    
    
import slimit 
from slimit.parser import Parser
from slimit.visitors import nodevisitor
from slimit import ast
parser = Parser()
tree = parser.parse(s)
print("Collect all arrays from a piece of JS-code")
for node in nodevisitor.visit(tree):
    if isinstance(node, ast.Array):
        try:
            print("An array was found:", list(map(lambda x: x.value, node.items)))
        except AttributeError:
            pass

FishHook

Сен. 4, 2017 05:47:17

prisrak_razyma
Может быть я скажу какую-то глупость, но почему бы не выдернуть нужные данные с помощью JS? C-eval -ить всю эту портянку и всего делов.

prisrak_razyma

Сен. 4, 2017 08:28:04

scidamЗдравствуй вот код

 def readmanga(url, download=0, filename=False):
    name1 =url.split('/')[2]
    r = requests.get(url)
    soup = BeautifulSoup(requests.get(url).text, 'lxml')
    name = 'MANGA'+os.sep+name1+os.sep+soup.find('span', {'class': 'name'}).text
    aray1 = soup.find('table', {'class': 'table table-hover'}).find_all('a')
    aray=[]
    for link in aray1:
        aray.append('http://'+name1+link.get('href'))
    soup = BeautifulSoup(requests.get(aray[1]).text, 'lxml')
    aray1 = soup.find_all('script', {'type': 'text/javascript'})[8]
   # print(aray1)
    s = str(aray1)
    import re
    bad_pattern = re.compile(r'var\s+(?P<name>[a-zA-Z_]+)\s?=\s?(?P<value>[^;]+);')
    matches = bad_pattern.findall(s)
    print(matches)
    
    
    import slimit 
    from slimit.parser import Parser
    from slimit.visitors import nodevisitor
    from slimit import ast
    parser = Parser()
    tree = parser.parse(s)  
    print("Collect all arrays from a piece of JS-code") 
    for node in nodevisitor.visit(tree):
        if isinstance(node, ast.Array):
            try:
                print("An array was found:", list(map(lambda x: x.value, node.items)))
            except AttributeError:
                pass

Вот что выдал

WARNING: Couldn't write lextab module <module 'slimit.lextab' from 'G:\\pyton\\lib\\site-packages\\slimit\\lextab.py'>. Won't overwrite existing lextab module
WARNING: yacc table file version is out of date
WARNING: Token 'LINE_COMMENT' defined, but not used
WARNING: Token 'BLOCK_COMMENT' defined, but not used
WARNING: Token 'LINE_TERMINATOR' defined, but not used
WARNING: Token 'CLASS' defined, but not used
WARNING: Token 'CONST' defined, but not used
WARNING: Token 'ENUM' defined, but not used
WARNING: Token 'EXPORT' defined, but not used
WARNING: Token 'EXTENDS' defined, but not used
WARNING: Token 'IMPORT' defined, but not used
WARNING: Token 'SUPER' defined, but not used
WARNING: There are 10 unused tokens
WARNING: Couldn't create <module 'slimit.yacctab' from 'G:\\pyton\\lib\\site-packages\\slimit\\yacctab.py'>. Won't overwrite existing tabmodule
Traceback (most recent call last):
  File "G:\парсер\1.py", line 2, in <module>
    com.readmanga('http://readmanga.me/noblesse')
  File "G:\парсер\comiks.py", line 28, in readmanga
    tree = parser.parse(s)
  File "G:\pyton\lib\site-packages\slimit\parser.py", line 93, in parse
    return self.parser.parse(text, lexer=self.lexer, debug=debug)
  File "G:\pyton\lib\site-packages\ply\yacc.py", line 331, in parse
    return self.parseopt_notrack(input, lexer, debug, tracking, tokenfunc)
  File "G:\pyton\lib\site-packages\ply\yacc.py", line 1199, in parseopt_notrack
    tok = call_errorfunc(self.errorfunc, errtoken, self)
  File "G:\pyton\lib\site-packages\ply\yacc.py", line 193, in call_errorfunc
    r = errorfunc(token)
  File "G:\pyton\lib\site-packages\slimit\parser.py", line 116, in p_error
    self._raise_syntax_error(token)
  File "G:\pyton\lib\site-packages\slimit\parser.py", line 89, in _raise_syntax_error
    self.lexer.prev_token, self.lexer.token())
  File "<string>", line None
SyntaxError: Unexpected token (LT, '<') at 1:0 between None and LexToken(ID,'script',1,1)

FishHook
Нет не глупость но во первых я не знаю как скомбинировать pyton и js, во вторых я плохо знаю js.

py.user.next

Сен. 4, 2017 10:53:29

prisrak_razyma
через регулярное выражение получить массив вида

Что нужно получить? Напиши входные данные, которые поступают; выходные данные, которые должны быть получены из входных данных.

prisrak_razyma

Сен. 4, 2017 11:18:19

py.user.next
входные данные (пример):

 <script type="text/javascript">
  var transl_next_page='Следующая страница';
  var prevLink = true;
  var nextLink = true;
  var nextChapterLink = "/noblesse/vol8/473";
//  var ads = ""
  var servers = ['http://e4.postfact.ru/','http://e2.postfact.ru/','http://e3.postfact.ru/','http://e5.postfact.ru/','http://e1.postfact.ru/','http://e6.postfact.ru/','http://e7.postfact.ru/','http://e8.postfact.ru/'];
  function sendExternalSize(divH, w) {
  }
  function sendURL(path) {
  }
rm_h.init( [['auto/22/58','http://e6.postfact.ru/',"/42/Noblesse_ch471_00.png_res.jpg",690,703],['auto/22/58','http://e7.postfact.ru/',"/42/Noblesse_ch471_01.png_res.jpg",690,19200],['auto/22/58','http://e5.postfact.ru/',"/42/Noblesse_ch471_02.png_res.jpg",690,19200],['auto/22/58','http://e2.postfact.ru/',"/42/Noblesse_ch471_03.png_res.jpg",690,18748],['auto/22/58','http://e8.postfact.ru/',"/42/Noblesse_ch471_04.png_res.jpg",690,20765],['auto/22/58','http://e6.postfact.ru/',"/42/Noblesse_ch471_05.png_res.jpg",690,17600],['auto/22/58','http://e3.postfact.ru/',"/42/Noblesse_ch471_06.png_res.jpg",690,10522]], 0, false);
</script>

выходные данные:

['auto/22/58','http://e6.postfact.ru/',"/42/Noblesse_ch471_00.png_res.jpg",'auto/22/58','http://e7.postfact.ru/',"/42/Noblesse_ch471_01.png_res.jpg",'auto/22/58','http://e5.postfact.ru/',"/42/Noblesse_ch471_02.png_res.jpg",['auto/22/58','http://e2.postfact.ru/',"/42/Noblesse_ch471_03.png_res.jpg",'auto/22/58','http://e8.postfact.ru/',"/42/Noblesse_ch471_04.png_res.jpg",'auto/22/58','http://e6.postfact.ru/',"/42/Noblesse_ch471_05.png_res.jpg",'auto/22/58','http://e3.postfact.ru/',"/42/Noblesse_ch471_06.png_res.jpg"]

py.user.next

Сен. 4, 2017 12:00:32

Я так понял, нижнюю строку тебе надо, и почистить её ещё немного.

Так и сделай, в несколько этапов: на первом этапе удали всё, кроме нужной строки; на втором этапе оставшуюся строку очисти от ненужных символов в начале и в конце; на третьем этапе удали из неё все числа и запятые; на четвёртом этапе оставшиеся подстроки раздели и занеси в список друг за другом.

Для каждого этапа делаешь функцию, которая принимает такую-то строку, а возвращает такую-то строку. И из функции в функцию передаёшь начальный текст и он у тебя постепенно очищается, пока в конце не превращается в список чистых строк.

То есть твоя ошибка в том, что ты пытаешься сделать всё сразу в одну строку кода. Это неправильно, нужно делать функции и по ним распределять отвественность за каждый кусочек обработки. Каждая функция отвечает за свою часть очистки.

У тебя получится такая цепочка вызовов:
out = f4(f3(f2(f1(text))))

scidam

Сен. 4, 2017 13:19:04

prisrak_razyma
SyntaxError: Unexpected token (LT, ‘<’) at 1:0 between None and LexToken(ID,'script',1,1)

Эта ошибка от того, что открывающего и закрывающего тэгов “<script>” не должно быть в строке, которую подаем на парсер.
У меня в коде строка s без всяких <script> тэгов.

prisrak_razyma

Сен. 4, 2017 14:55:52

py.user.next
сделал так

 from bs4 import BeautifulSoup
import os, requests, function
def readmanga(url, download=0, filename=False):
    name1 =url.split('/')[2]
    r = requests.get(url)
    soup = BeautifulSoup(requests.get(url).text, 'lxml')
    name = 'MANGA'+os.sep+name1+os.sep+soup.find('span', {'class': 'name'}).text
    aray1 = soup.find('table', {'class': 'table table-hover'}).find_all('a')
    aray=[]
    for link in aray1:
        aray.append('http://'+name1+link.get('href'))
    soup = BeautifulSoup(requests.get(aray[1]).text, 'lxml')
    aray1 = soup.find_all('script', {'type': 'text/javascript'})[8].text
    hav=['rm_h.init( [[','], 0, false);','"',']','[',"'",',']
    change=['','',"'",'','','',' ']
    mass=function.poisk(aray1,'m_h.init')[0]
    print(mass)
    for i in range(len(hav)):
        print(hav[i])
        mass.replace(hav[i],change[i])
    print(mass)

У меня появилась проблема периодически выскакивает
Traceback (most recent call last):
File “G:\парсер\1.py”, line 3, in <module>
com.readmanga('http://readmanga.me/noblesse')
File “G:\парсер\comiks.py”, line 18, in readmanga
mass=function.poisk(aray1,'m_h.init')
TypeError: ‘bool’ object is not subscriptable
функция:

 def poisk(text,pois):
	w=[]
	if(type(text)==str):
		mass=text.split('\n')
		for x in mass:
			if(x.find(pois,0,len(x))>-1):
				w.append(x)
		if (len(w)>0):
			return w
		else:
			return False
	else:
		return 'нет функции для этого типа переменной'

причем не могу понять почему так происходит

prisrak_razyma

Сен. 4, 2017 14:57:05

scidam
спасибо но я нашел другой способ