Forum Debian Users Gang

lis6502 · 2014-02-22 22:48:27

czyli coś, co mnie kręci od zawsze. O ile za młodu coś tam skrobałem z kilkoma maniakami (pozdro [b]sigo[/b]!), o tyle ja się postarzałem, a technika poszła mocno naprzód.
Ostatnimi czasy znowu naszły mnie ciągoty na rippowanie materiałów ze stron za pomocą własnych botów. Wiadomo, póki co jadę Bashem (węże w sed'dzie, dużo cut, tr, grepów, kod jest zaciemniony od fazy projektowania po wersję produkcyjną xD), ale docelowo ma to odbywać się Pythonem z jakimś dodatkiem (bo jednak chcę się rozwijać, a choćby dla własnej satysfakcji).

Przypomniałem sobie o portalu zlecenia.przez.net, pamiętam jak swego czasu znajdywalem tam różne interesujące i relatywnie proste zlecenia. Zajrzałem i dziś i postanowiłem opykać jedno 'na sucho', tzn, sprawdzić czy w ogóle podołam. Znalazłem coś ciekawego, ale przerosła mnie konfiguracja serwera www :P

link do zlecenia: http://www.zlecenia.przez.net/aukcja,118054,pozyskanie-wyciagnieci-bazy-danych-z-katalogu-firm

Spojler, czyli o co chodzi: gość chce wyciągnąć z takich linków http://akses.com.pl/biznes,i,ekonomia/okno,pcv,warszawa,s,2451/
takie dane: P.P.U.H. INVESTBUD Leszek Wypiórkiewicz; 483701445; Sadowa; 22; 26-500; Szydłowiec; biuro@hurtokien.pl; www.hurtokien.pl; 13 04 2012
Określił, że interesują go dane z rekordów numer od do.

Se myślę: klasyczna pętelka, tu jakiś wget, tam ciachnę awkiem, do csv też napiszę jakiś wypluwacz, aż przyjrzałem się linkowi.
Tak, paskudny rewrite. i o ile wykoncypowałem jak podołać zleceniu (mapa strony, kategorie, odwiedzenie każdego linka i porównanie parametrów urla do widełek zadanch przez zlecającego, jeśli pasują, to do wstępnej bazy, dalej pomartwię się później :P), o tyle zastanawia mnie jakby to zrobić jadąc po numerach rekordów. Nie raz już widziałem podobne linki i zostawiałem temat (czy to galerie, czy stronki ze scenowym stuffem), taka wiedza przydałaby mi się na później, nie ukrywam :)

[color=red]Zaznaczam, że nie zamierzam brać udziału w licytacji zlecenia, a jednie interesuje mnie strona techniczna przedsięwzięcia[/color]; to taki disclaimer jakby ktoś se miał pomyśleć 'no tak, ja mu oddam za free technologię, a on na tym zarobi krocie'.

Jacekalex · 2014-02-23 05:56:31

Perlem Mociumpanie, Perlem:

[url=http://search.cpan.org/~ether/WWW-Mechanize-1.73/lib/WWW/Mechanize.pm]WWW-Mechanize[/url]
[url=http://search.cpan.org/~sprout/WWW-Scripter-Plugin-JavaScript-0.008a/lib/WWW/Scripter/Plugin/JavaScript.pm]WWW-Scripter-PLugin-Javascript[/url]
[url=http://search.cpan.org/~sprout/WWW-Scripter-Plugin-Ajax-0.09/lib/WWW/Scripter/Plugin/Ajax.pm]WWW-Scripter-PLugin-Ajax[/url]
A także kilka innych modułów i bardzo elastyczne regexy.

Alleluja i do przodu:xD

Pozdro
;-)

lis6502 · 2014-02-23 09:40:34

No dobra, perl, ale jak nakarmisz serwer www pozostałymi danymi po przecinku, inkrementując w pętli licznik? Czy po prostu nie zrozumiałem Twojego postu?

Jacekalex · 2014-02-23 13:57:55

Zależy od konkretnej sytuacji.
Wspomniane wyżej mody perla, to takie programistyczne przeglądarki internetowe, które ściągną stronę do zmiennej, mogą zdekodować na niej jeszcze javascripta albo ajaxa, i potem w zmiennej masz czysty html, z którego możesz sobie regexem czesać co duszyczka zapragnie.
Jeśli potem chcesz poszczególne wyczesane dane traktować jakąś pętlą i licznikiem, to droga wolna.

Perl to język programowania, wszystkie rodzaje pętli obsługuje bez żadnego problemu.
Dosyć wyjątkowe są właśnie wspomniane wyżej moduły, repo CPAN i wbudowany potężny silnik regexu, to podstawowy potencjał Perla.

W CPAN do WWW są też mody parsujące stronę poprzez np Webkita.

Time (s)	Query
0.00010	SET CHARSET latin2
0.00006	SET NAMES latin2
0.00098	SELECT u., g., o.logged FROM punbb_users AS u INNER JOIN punbb_groups AS g ON u.group_id=g.g_id LEFT JOIN punbb_online AS o ON o.ident='3.135.206.229' WHERE u.id=1
0.00101	REPLACE INTO punbb_online (user_id, ident, logged) VALUES(1, '3.135.206.229', 1732849105)
0.00057	SELECT * FROM punbb_online WHERE logged<1732848805
0.00077	SELECT topic_id FROM punbb_posts WHERE id=258169
0.00005	SELECT id FROM punbb_posts WHERE topic_id=25318 ORDER BY posted
0.00094	SELECT t.subject, t.closed, t.num_replies, t.sticky, f.id AS forum_id, f.forum_name, f.moderators, fp.post_replies, 0 FROM punbb_topics AS t INNER JOIN punbb_forums AS f ON f.id=t.forum_id LEFT JOIN punbb_forum_perms AS fp ON (fp.forum_id=f.id AND fp.group_id=3) WHERE (fp.read_forum IS NULL OR fp.read_forum=1) AND t.id=25318 AND t.moved_to IS NULL
0.00006	SELECT search_for, replace_with FROM punbb_censoring
0.00156	SELECT u.email, u.title, u.url, u.location, u.use_avatar, u.signature, u.email_setting, u.num_posts, u.registered, u.admin_note, p.id, p.poster AS username, p.poster_id, p.poster_ip, p.poster_email, p.message, p.hide_smilies, p.posted, p.edited, p.edited_by, g.g_id, g.g_user_title, o.user_id AS is_online FROM punbb_posts AS p INNER JOIN punbb_users AS u ON u.id=p.poster_id INNER JOIN punbb_groups AS g ON g.g_id=u.group_id LEFT JOIN punbb_online AS o ON (o.user_id=u.id AND o.user_id!=1 AND o.idle=0) WHERE p.topic_id=25318 ORDER BY p.id LIMIT 0,25
0.00080	UPDATE punbb_topics SET num_views=num_views+1 WHERE id=25318
Total query time: 0.0069 s

Forum Debian Users Gang

Ogłoszenie

#1 2014-02-22 22:48:27

lis6502 - Łowca lamerów

Masowe wyciąganie danych ze stron www

#2 2014-02-23 05:56:31

Jacekalex - Podobno człowiek...;)

Re: Masowe wyciąganie danych ze stron www

#3 2014-02-23 09:40:34

lis6502 - Łowca lamerów

Re: Masowe wyciąganie danych ze stron www

#4 2014-02-23 13:57:55

Jacekalex - Podobno człowiek...;)

Re: Masowe wyciąganie danych ze stron www

Stopka forum

Informacje debugowania