expresion regular en html repetitivo

JPA · **Registrado:** 14 Sep 2004 23:08 **Mensajes:** 7340

tengo que sacar un valor de una pagina web:

Código:

<tr>
            <td colspan="2" width="100%"><span class="form2">Wireless Port</span></td>

          </tr>
          <tr>
            <td class="form" width="40%">IP Address</td>
            <td width="60%">
            192.168.120.2

            </td>
          </tr>
          <tr>
            <td class="form" width="40%">Subnet Mask</td>

            <td width="60%">
            255.255.255.0

            </td>
          </tr>
        <tr>
          <td class="form" width="40%">MAC Address</td>
          <td width="60%">
            00:0a:52:7a:8e:2c
          </td>
        </tr>

esta estructura se repite varias veces en la pagina que estoy examinando. el tema es que a mi me interesa nada mas la mac, de la estructura que tiene titulo "Wireless Port"

yo ya tengo una exprecion que me identifica bien la mac, lo que pasa es que aparecen muuchas mac en el documento.

cual seria la forma mas eficiente de machear la mac nomas??

gracias!

djgera · **Registrado:** 16 Nov 2002 04:09 **Mensajes:** 8866

Suponiendo que usas PCRE se me ocurre rápidamente:

Código:

"/Wireless Port.*?(([0-9a-f]{2}:){5}([0-9a-f]{2})).*?<\/td>/"

djgera · **Registrado:** 16 Nov 2002 04:09 **Mensajes:** 8866

Me falto aclararte que, dependiendo el motor que uses tendrás que agregarle uno o más modificadores, básicamente para que el . (punto) "atrape" los fin de linea, como también una para multi-linea.
El resultado lo vas a obtener le da referencia \1 que corresponde al grupo (paréntesis) exteriores.

djgera · **Registrado:** 16 Nov 2002 04:09 **Mensajes:** 8866

en python

Código:

>>> import re
>>> s = file("mac").read()
>>> r = re.compile("Wireless Port.*?(([0-9a-f]{2}:){5}([0-9a-f]{2})).*?<\/td>",re.S)
>>> r.findall(s)[0][0]
'00:0a:52:7a:8e:2c'

JPA · **Registrado:** 14 Sep 2004 23:08 **Mensajes:** 7340

estoy importando re, voy a ver lo de los modificadores a ver que onda.

interesante

voy a tener que profundisar mis conocimientos sobre expreciones.

mil gracias!!

djgera · **Registrado:** 16 Nov 2002 04:09 **Mensajes:** 8866

Por nada.

Es muy linda la teoría de autómatas finitos y lenguajes formales

JPA · **Registrado:** 14 Sep 2004 23:08 **Mensajes:** 7340

tenes alguna lectura para recomendar sobre la teoria?

djgera · **Registrado:** 16 Nov 2002 04:09 **Mensajes:** 8866

A nivel práctico de lo que te interesa de las expresiones regulares, sin ver lo que hay dentro de "la cajita negra" tenés:
http://www.regular-expressions.info

y esto es ver representada una expresión regular gráficamente con autómatas finitos (mooy mooy bueno):
http://osteele.com/tools/reanimator

Una tabla resumen interesante:
http://www.greenend.org.uk/rjk/2002/06/regexp.html

El secreto, creo, de la RE que te escribí, esta en la modificación de como funciona el cuantificador "*" agregándole el ?, eso hace que sea en modo "non-greedly" o "lazy", lo que significa que va a capturar sólo la coincidencia más corta posible y no la más larga. De no poner el "*?" capturas TODO, y lo que le sigue en la expresión es como ignorado.

Lamentablemente esto en algunos motores como el de POSIX REGEX no lo tienen y hay que hacerlo de otra forma, caso típico de las utilidades AWK, SED, GREP.

Salut!.

djgera · **Registrado:** 16 Nov 2002 04:09 **Mensajes:** 8866

ejemplo:

Citar:

"t.*h"
"hola viiiiteeeeeeeeeeeeeeeehhhhhhkakakakakaakakaka"

Citar:

"t.*?h"
"hola viiiiteeeeeeeeeeeeeeeehhhhhhkakakakakaakakaka"

Jajaja, te lo resalto esto, porque cuando lo "descubrí" fue muy muy divertido.

JPA · **Registrado:** 14 Sep 2004 23:08 **Mensajes:** 7340

muy interesante

, justo estaba leyendo sobre eso en el howto re de python

http://www.amk.ca/python/howto/regex/

muy interesante los link, los voy a leer a todos

es algo bastante interesante hacer programas inteligentes que te automaticen tareas

GomoX

Para tareas de este tipo también hay herramientas inteligentes como puede ser templatemaker, de uno de los padres de Django.

Básicamente le mostrás un montón de páginas hechas con el mismo template y "aprende" el formato del sitio. Después de este aprendizaje, le podés suministrar otra página que siga el mismo template y te extrae la información de la misma.

http://www.holovaty.com/blog/archive/2007/07/06/0128

Las cosas que hago para no aprender bien expresiones regulares...

Saludos

djgera · **Registrado:** 16 Nov 2002 04:09 **Mensajes:** 8866

GomoX escribió:

Las cosas que hago para no aprender bien expresiones regulares...

Suena interesa.
Pero no seas vago!, encima vos que estas estudiando ciencias de la computación, te deben enfermar con lenguajes.

JPA · **Registrado:** 14 Sep 2004 23:08 **Mensajes:** 7340

buena data gomox, pero esto no esta relacionado solo con las paginas, obtengo informacion de varios medios...

gracias!

djgera · **Registrado:** 16 Nov 2002 04:09 **Mensajes:** 8866

una pequeña mejora :)

Al usar paréntesis para definir al grupo repetitivo ([0-9a-f]{2}:){5}, además de eso se esta creando una referencia "hacia atrás" que no hace falta, entonces se puede evitar usando lo mismo pero luego de la apertura del paréntesis poner "?:". Tampoco la parte final hace falta.

Notar la diferencia (antes de usar "reduce fast fast"):

Código:

>>> r = re.compile("Wireless Port.*?(([0-9a-f]{2}:){5}([0-9a-f]{2})).*?<\/td>",re.S)
>>> r.findall(s)
[('00:0a:52:7a:8e:2c', '8e:', '2c')]

Se generan tres grupos por los tres paréntesis correspondientes, pero con la mejora:

Código:

>>> r = re.compile("Wireless Port.*?((?:[0-9a-f]{2}:){5}(?:[0-9a-f]{2}))",re.S)
>>> r.findall(s)
['00:0a:52:7a:8e:2c']
>>> r.findall(s)[0]
'00:0a:52:7a:8e:2c'

Llaaameyaaaaaa!!!

GomoX

JPA, el programa aprende de cualquier feed que le tires, no solo de HTML.

Gera, lenguajes todavía no me tocó

Debería aprender bien regexes ya a esta altura, pero de las cosas que tengo en el tintero, hay otras que me llaman más.

Saludos