Foro - Perl en Español

por **BigBear** » 2012-03-17 16:37 @734

Hola. Tengo un problema con una expresión regular en la página http://es.thefreedictionary.com/.

Estoy tratando de sacar solo el primer significado pero el código no me devuelve nada.

Sintáxis: [ Descargar ] [ Ocultar ]

Using perl Syntax Highlighting

#!usr/bin/perl
 
use LWP::UserAgent;
 
my $nave = LWP::UserAgent->new;
$nave->agent("Mozilla/5.0 (Windows; U; Windows NT 5.1; nl; rv:1.8.1.12) Gecko/20080201Firefox/2.0.0.12");
$nave->timeout(5);
 
my $page = "http://es.thefreedictionary.com/casa";
 
my $code = toma($page);
 
chomp $code;
 
#<div class="runseg"><b>1 </b>&nbsp; Edificio o parte de él donde viven una o más personas: <span class="illustration">
 
if ($code=~/<div class="runseg"><b>1 <\/b>&nbsp; (.*): <span class="illustration">/) {
    print $1;
}
 
sub toma {
    return $nave->get($_[0])->content;
}
 
 
Coloreado en 0.004 segundos,  usando GeSHi 1.0.8.4

¿ Alguien me ayuda ?

#!usr/bin/perl
use LWP::UserAgent;
 
my $nave = LWP::UserAgent->new;
$nave->agent("Mozilla/5.0 (Windows; U; Windows NT 5.1; nl; rv:1.8.1.12) Gecko/20080201Firefox/2.0.0.12");
$nave->timeout(5);
 
 
my $page= "http://es.thefreedictionary.com/auto"; #ok
#my $page = "http://es.thefreedictionary.com/persona";
 
my $code = toma($page);
 
chomp $code;
 
if ($code=~/<div class=runseg><b>1 <\/b>&nbsp; (.*?): <span class=illustration/) {
    print $1;
}
 
sub toma {
    return $nave->get($_[0])->content;
}
 
Coloreado en 0.001 segundos,  usando GeSHi 1.0.8.4

Aún hay más. Tengo dos problemas: cuando busco 'auto' me devuelve esto:

Sintáxis: [ Descargar ] [ Ocultar ]

Using text Syntax Highlighting

Breve composici&#xf3;n dram&#xe1;tica en la que aparecen personajes b&#xed;blico

s y aleg&#xf3;ricosColoreado en 0.000 segundos,  usando GeSHi 1.0.8.4

Me gustaría saber cómo puedo evitar esos caracteres raros que salen.

Y tengo otra duda, porque cuando busco 'persona' me devuelve esto:

Sintáxis: [ Descargar ] [ Ocultar ]

Using text Syntax Highlighting

Individuo de la especie humana.  <span class=Syn>hombre, ser humano. </span></di

v><div class=runseg><b>2 </b>&nbsp; Hombre o mujer cuyo nombre se ignora o se om

iteColoreado en 0.000 segundos,  usando GeSHi 1.0.8.4

Me gustaría saber cómo puedo perfeccionar la expresión regular anterior para evitar todo lo que le sigue a <span class=Syn>.

¿ Podrás ayudarme ?

por **explorer** » 2012-03-17 18:56 @830

No son caracteres raros. Son caracteres tildados codificados en iso-8859-1 pero escritos como entidades HTML.

Necesitarás pasar todo el texto por algún módulo que convierta esas entidades a caracteres "normales". Así, & #xe1; será una 'á'.

Eso lo puedes hacer con varios módulos. Por ejemplo, HTML::Entities.

Para evitar lo del <span>, podríamos aceptar la idea de que lo que nos interesa es el texto que hay antes del primer '<'. Así, la expresión queda:

$code =~ /<div class=runseg><b>1 <\/b>  (.*?): </

Je, je... con Mojolicious sigue quedando genial

Sintáxis: [ Descargar ] [ Ocultar ]

Using bash Syntax Highlighting

$ perl -Mojo -CS -E '$_ = g("http://es.thefreedictionary.com/persona")->dom->at("div[class=runseg]")->text; s/^\s+|\W+$//g; say' 
Individuo de la especie humana
$ perl -Mojo -CS -E '$_ = g("http://es.thefreedictionary.com/auto")->dom->at("div[class=runseg]")->text; s/^\s+|\W+$//g; say' 
Breve composición dramática en la que aparecen personajes bíblicos y alegóricos
Coloreado en 0.001 segundos,  usando GeSHi 1.0.8.4

por **BigBear** » 2012-03-17 19:11 @841

explorer, me sigue dando el error cuando busco 'persona'.

Sintáxis: [ Descargar ] [ Ocultar ]

Using text Syntax Highlighting

Individuo de la especie humana.  <span class=Syn>hombre, ser humano. </span></di

v><div class=runseg><b>2 </b>á Hombre o mujer cuyo nombre se ignora o se omiteColoreado en 0.000 segundos,  usando GeSHi 1.0.8.4

El código ha quedado así:

Sintáxis: [ Descargar ] [ Ocultar ]

Using perl Syntax Highlighting

#!usr/bin/perl
 
use LWP::UserAgent;
use HTML::Entities;
 
my $nave = LWP::UserAgent->new;
$nave->agent("Mozilla/5.0 (Windows; U; Windows NT 5.1; nl; rv:1.8.1.12) 
 
Gecko/20080201Firefox/2.0.0.12");
$nave->timeout(5);
 
 
#my $page= "http://es.thefreedictionary.com/auto"; #ok
my $page = "http://es.thefreedictionary.com/persona";
 
my $code = toma($page);
 
chomp $code;
 
if ($code=~/<div class=runseg><b>1 <\/b>&nbsp; (.*?): </) {
my $text = decode_entities($1);
print $text;
}
 
sub toma {
return $nave->get($_[0])->content;
}
Coloreado en 0.001 segundos,  usando GeSHi 1.0.8.4

por **explorer** » 2012-03-17 20:02 @877

Entonces hay que cambiar la expresión regular: hay que parar la captura cuando encontremos un punto o un dos puntos:

$code=~/<div class=runseg><b>1 <\/b>  (.*?)[.:]/

aunque... también podría ocurrir que no hubiera ninguno de esos caracteres antes de un '<'. Así que mejor lo agregamos:

$code=~/<div class=runseg><b>1 <\/b>  (.*?)[.:<]/

por **BigBear** » 2012-03-17 20:27 @894

Vamos mejorando, todo está perfecto, pero hay otro problema: cuando busco la palabra 'terrateniente' no me aparece nada. Lo probé con el navegador y aparece información. Entonces, ¿cómo puedo hacer para que la expresión regular también funcione con esa palabra?

por **explorer** » 2012-03-18 00:33 @064

Pues porque en lugar de marcas <b> hay marcas <i>.

Prueba a cambiar las 'b' por '(?:b|i)', pero... también es variable el texto que aparece dentro de esas marcas.

Foro - Perl en Español

Extraer definiciones desde thefreedictionary.com

Extraer definiciones desde thefreedictionary.com

Publicidad

Re: Extraer definiciones desde thefreedictionary.com

Re: Extraer definiciones desde thefreedictionary.com

Re: Extraer definiciones desde thefreedictionary.com

Re: Extraer definiciones desde thefreedictionary.com

Re: Extraer definiciones desde thefreedictionary.com

Re: Extraer definiciones desde thefreedictionary.com

Re: Extraer definiciones desde thefreedictionary.com

¿Quién está conectado?