Autor Tema: Duda con práctica de python

0 Usuarios y 1 Visitante están viendo este tema.

14 Marzo, 2015, 02:35 pm
Leído 3198 veces

energy

  • $$\Large \color{#c88359}\pi\,\pi\,\pi\,\pi$$
  • Mensajes: 561
  • Karma: +0/-0
  • Sexo: Masculino
Tengo una práctica que es de dada una pagina web, ver su código fuente y cuando encuentro una etiqueta <thead> empezar a leer ese código, luego <tr> y quitar etiquetas de esta manera:

-Por cada etiqueta <th> y luego otra </th> escribir esa palabra en un fichero de texto, y asi sucesivamente separándolas por un ;

Esto seria la primera fila de una tabla de datos, luego pasamos a lo que encierra la tabla que empieza por etiquetas tbody, cada etiqueta tr que empieze y acabe un salto de línea, y cada palabra encerrada por etiquetas td un ; igual que arriba.

Un ejemplo que me ponen sería
Tipo;Localizacion;Uso;Ministerio;Superficie
Edificio;Madrid CR. POZUELO-MAJADAHONDA;AGENCIA ESPAÑOLA DE CONSUMO, SEGURIDAD ALIMENTARIA Y
NUTRICIÓN (AECOSAN);Ministerio de Sanidad, Servicios Sociales e Igualdad;6202,26 m2
Edificio;Madrid CALLE HORTALEZA, 104 - 2Û IZD.;INSTITUTO DE LA MUJER Y PARA LA IGUALDAD DE
OPORTUNIDADES;Ministerio de Sanidad, Servicios Sociales e Igualdad;353 m2
Obtenido de la página: http://transparencia.gob.es/es_ES/buscar/contenido/cibi/CIBI_DPTO26

Me han dado dos funciones auxiliares aquí se las dejo, mi idea es asignar nombres de variables a etiquetas y ver cuando estan y empezar a escribir, pero no veo la forma de traducirlo a python, este es el código que llevo:
# -*- coding: utf-8 -*-
import urlib

a='<thead>'
b='<th>'
c='</th>'
d='</thead>'
e='<td>'
f='</td>'
g='<tr>'
h='</tr>'
def clean(line):
    limpia=" "
    abierto=0
    i=0
    while i<len(linea):
        if linea=='<':
            abierto=abierto-1
        else:
            abierto+=1
    while linea!='>':
        i+=1
    i+=1
def creartxt(nombre):
    archi=open('nombre.txt','w')
    archi.close()
   
def leer(dir):
    f=urlib.open(dir)
    lineas=f.readlines()
    for linea in lineas:

Aquí querria ya empezar a buscar las etiquetas y empezar a distinguir casos, me ayudarían bastante si me dan ideas de código, un saludo!

14 Marzo, 2015, 04:14 pm
Respuesta #1

rayanpiro

  • $$\Large \color{#6a84c0}\pi$$
  • Mensajes: 8
  • Karma: +0/-0
  • Sexo: Masculino
Lee acerca de expresiones regulares en Python, te facilitarán mucho el trabajo.

Te dejo una web donde lo explican de forma sencilla: http://mundogeek.net/archivos/2008/04/09/python-expresiones-regulares/

Saludos.

14 Marzo, 2015, 05:38 pm
Respuesta #2

energy

  • $$\Large \color{#c88359}\pi\,\pi\,\pi\,\pi$$
  • Mensajes: 561
  • Karma: +0/-0
  • Sexo: Masculino
Mm no me quedo muy claro, si primero quiero quitar todas las palabras que no se encuentren en ninguna de las etiquetas:
b='<th>'
c='</th>'
d='</thead>'
e='<td>'
f='</td>'
g='<tr>'
h='</tr>'
Como se haría?

Un saludo y gracias!

16 Marzo, 2015, 06:49 pm
Respuesta #3

rayanpiro

  • $$\Large \color{#6a84c0}\pi$$
  • Mensajes: 8
  • Karma: +0/-0
  • Sexo: Masculino
Perdona por la tardanza, he andado algo liado.

Te adjunto un ejemplo en Perl, porque no tengo ahora mismo ni siquiera Python instalado. Con expresiones regulares tu le indicas que busque las etiquetas <TD> </TD> y que coja lo que hay entre ellas, simplificando la tarea muchísimo más que al intentar usar otros metodos, como separar usando split.

No me enrollo más, el ejemplo en Perl.

Código: [Seleccionar]
my $html="<HTML>
<TABLE>
<TR>
<TD>Columna 1</TD>
<TD>Columna 3</TD>
<TD>Columna 4</TD>
<TD>Columna 5</TD>
</TR>
<TR>
<TD>Columna 6</TD>
<TD>Columna 7</TD>
<TD>Columna 8</TD>
<TD>Columna 9</TD>
</TR>
</TABLE>
</HTML>'";

while($html=~ m/<TD>(.+)<\/TD>/ig)
{
print $1;
}

En Python es un poco más complicado, pero no mucho.

Saludos

16 Marzo, 2015, 07:08 pm
Respuesta #4

energy

  • $$\Large \color{#c88359}\pi\,\pi\,\pi\,\pi$$
  • Mensajes: 561
  • Karma: +0/-0
  • Sexo: Masculino
No entiendo ese codigo y el perl :S

16 Marzo, 2015, 07:15 pm
Respuesta #5

rayanpiro

  • $$\Large \color{#6a84c0}\pi$$
  • Mensajes: 8
  • Karma: +0/-0
  • Sexo: Masculino
Acabo de hacerlo en Python, con esto podrás entender la idea, solo lee acerca de expresiones regulares en Python.

Código: [Seleccionar]
import re

texto="""<HTML>
<TABLE>
<TR>
<TD>Columna 1</TD>
<TD>Columna 3</TD>
<TD>Columna 4</TD>
<TD>Columna 5</TD>
</TR>
<TR>
<TD>Columna 6</TD>
<TD>Columna 7</TD>
<TD>Columna 8</TD>
<TD>Columna 9</TD>
</TR>
</TABLE>
</HTML>"""

mo=re.findall("<TD>(.+)</TD>", texto, re.M|re.I)
print mo

Saludos.

16 Marzo, 2015, 11:29 pm
Respuesta #6

energy

  • $$\Large \color{#c88359}\pi\,\pi\,\pi\,\pi$$
  • Mensajes: 561
  • Karma: +0/-0
  • Sexo: Masculino
No me dejan trabajar con expresiones regulares, he hecho estas 2 funciones,pero lo que no se, es como hacer que me busque a partir de una determinada posición en el string dentro del array:

def buscapalabra(inicial,palabra, linea):
    for i in linea:       
        b=linea.find(palabra)
    return b
def filtrar(linea,palabra1,palabra2,dir):
    l=[]
    f=urllib.open(dir)
    lineas=f.readlines()
    for i in lineas:
        for x in i:
            i0=buscapalabra(palabra1,x)
            i1=buscapalabra(palabra2,x)
            l.append[i0:i1+len(palabra2)]