Foro - Perl en Español

El problema es muy bonito y yo creo que se puede resolver en una docena de líneas con la ayuda del módulo HTML::TableExtract.

Pero lo más importante es la cuestión legal: en la página http://www.unrestaurante.com/infor/legal.html , apartado 2, dice que no se puede copiar la información de esas páginas. Si no cuentas con el permiso de los dueños, te puedes meter en un lío.

Bienvenida a los foros de Perl en Español.

Te he movido el tema al foro Básico, ya que en el de Experto poca ayuda vas a recibir, si estás aprendiendo.

Estoy alucinando con lo de hacer una aplicación Java y usar Perl para extraer la información. Lo ideal es usar un solo lenguaje. ¿Por qué?

En Perl puedes usar muchos módulos (librerías) que te pueden ayudar a extraer información de la página web, pero, según he visto, la extracción casi se podría resolver leyendo el fichero línea a línea. Digo casi porlas excepciones que comentas. En la página de Jaén que he descargado, no las he visto, por lo que no puedo hacerme una idea clara de ellas. Ya veremos otras.

La extracción línea a línea veo que se puede hacer relativamente fácil porque los nombres y direcciones de los restaurantes siguen el mismo patrón.

Luego te doy más pistas.

Bueno... la primera pista es mostrarte algo muy peculiar: con Perl, se puede resolver tu problema en una sola línea:

Código: Seleccionar todo

explorer@portatil:~/Documents/Desarrollo> perl -nle '/bodyText">([^<]*?)[ ,]*<(?:b|strong)/ and print $1; / *(Direcci.+) \&nbsp/ and print $1 and print "";' jaen.html
Asador La Abadia
Dirección: Melchor Cobo Medina 19 Jaen

Asador La Gondola
Dirección: Portales Carbonerías 13 Baeza Jaen

Restaurante Paquito Diaz
Dirección: Enrique Moreno, 12 Baeza Jaén

Restaurante La Mesa Segure&ntilde;a
Dirección: Postigo, 2 · Segura de la Sierra · Jaén

Restaurante Torre de los Llanos
Dirección: Avda. de los Llanos 4 Torredelcampo · Jaén

Restaurante Mesones 14
Dirección: C/ Federico Mendizábal, 14 · Jaén

explorer@portatil:~/Documents/Desarrollo>

Explicación:
* La página con los restaurantes de Jaén la tenemos guardada en el fichero jaen.html.
* Ejecutamos perl desde la línea de comandos, con las opciones '-nle' que tienen los siguientes efectos:

• '-n' hace leer cada línea del fichero de entrada, se la pasa al programa en la variable $_ y no la pinta al final (pintaremos nosotros nuestras propias salidas).
• '-l' hace imprimir un retorno de carro en todos los print.
• '-e' indica que lo que sigue es el programa.

* El programa consta de dos líneas. Cada línea comienza por una expresión regular. Si la expresión regular coincide con la línea que recibimos del fichero, por medio de los 'and' se ejecutan el resto de expresiones de las líneas.
* La primera línea busca por el patrón /bodyText">([^<]*?)[ ,]*<(?:b|strong)/, que quiere decir: busca por el texto bodyText">, seguido por una serie de caracteres que no son '<', seguidos por uno o más caracteres comas o espacios blancos, seguidos por un '<' y seguidos finalmente por una 'b' o por un 'strong'. En caso de que la línea coincida con ese patrón, nos quedamos, con la ayuda de los paréntesis de captura, con el texto que nos interesa (el que está en el interior de las marcas HTML).
* Si esta primera parte se cumple, el 'and' ejecuta la segunda parte. print $1 imprime en la pantalla el valor de $1, que contiene lo capturado por el primer par de paréntesis de la expresión regular.
* La segunda línea busca por el patrón / *(Direcci.+) \&nbsp/, que busca cero o más espacios en blanco y un texto que nos interesa guardar: la palabra Direcci y algo más, hasta que aparece el texto &nbsp;.
* En caso de que se cumpla lo anterior, se ejecutan dos print. El primero para imprimir el texto capturado por el primer par de paréntesis de captura de la expresión regular anterior, y el segundo, no pinta nada, pero su efecto, gracias al '-l' es que aparece una línea en blanco más.

Esta es una forma de hacerlo. Hay muchas más.
El siguiente programa hace exactamente lo mismo:
La solución ha sido sencilla porque el fichero a tratar tenía una estructura fija y conocida. Si es fija, podemos usar expresiones regulares para extraer la información.

Pues sí... Perl es muy potente.