Помогите с регуляркой, пожалуйста.

wladeeck

Нужно с текста ниже достать ссылки и текст перед ними:
«Если одна из них “садится” на стену, то сестричка обязательно должна сделать так же» <figure><img src="https://site.com/storage/2020/s/sobaki-s-milymi-strannostyami/8.jpg

Нужно учитывать:
https://site.com/storage - не изменный текст
/2020/s/sobaki-s-milymi-strannostyami/ - изменяется
8.jpg - от 1.jpg до 30.jpg

Сам текст:
</figure> Фото: <a href="https://www.reddit.com/r/funny/comments/f2fhx6/my_dog_is_a_bit_of_a_freak_when_the_camera_comes/">Reddit</a> «Если одна из них “садится” на стену, то сестричка обязательно должна сделать так же» <figure><img src="https://site.com/storage/2020/s/sobaki-s-milymi-strannostyami/8.jpg" alt=""></figure> Фото: <a href="https://www.reddit.com/r/WhatsWrongWithYourDog/comments/aiogw2/when_one_sits_on_the_wall_obviously_the_other_has/">Reddit</a> Похоже, кто-то здесь не в восторге от высоты <figure><img src="https://site.com/storage/2020/s/sobaki-s-milymi-strannostyami/9.jpg" alt=""></figure> Фото: <a href="https://www.reddit.com/r/WhatsWrongWithYourDog/comments/f5ibvv/not_going_any_higher_on_this_stupid_hike/">Reddit</a> До и после прогулки <figure><img src="

? Offline

Вам не нужна регулярка, используйте xpath //p[@class="note"] для текста и //p[@class="note"]/@href для ссылок

wladeeck

@UserTrue said in Помогите с регуляркой, пожалуйста.:

//p[@class="note"]

По "note" это не та ссылка и текст которая мне нужна. Посмотрите, пожалуйста, еще раз.
И мне нужно знать что над ссылкой https://site.com/storage/2020/s/sobaki-s-milymi-strannostyami/8.jpg стоит текст, который описывает эту фото. Тоесть если это ссылка на фото 8.jpg то мне нужет текст, который располагается над ней и сохранить этот текст в таком формате 8.txt
Как сохранять я знаю, вот только как спарсить мучаюсь вторые сутки.

wladeeck

Вот это нужно мне:

«Если одна из них “садится” на стену, то сестричка обязательно должна сделать так же» <figure><img src="https://site.com/storage/2020/s/sobaki-s-milymi-strannostyami/8.jpg"

Похоже, кто-то здесь не в восторге от высоты <figure><img src="https://site.com/storage/2020/s/sobaki-s-milymi-strannostyami/9.jpg"

? Offline

@wladeeck Сложно конечно по этим огрызкам, но вот попробуйте

Для текста

//p[@class="note"]/following-sibling::p[1]

Для ссылок

//p[@class="note"]/following-sibling::figure/img/@src

wladeeck

@UserTrue Спасибо! Все работает! Только как мне теперь узнать что текст принадлежит конкретному фото? Можно таким образом взять текст вместе с ссылкой?

? Offline

@wladeeck Они по идее будут идти в одинаковом порядке. Тоесть первый элемент из списка с текстом будет соответствовать первому элементу из списка ссылок

wladeeck

@UserTrue Еще раз спасибо, надеюсь так и будет.

wladeeck

@UserTrue К сожалению не подходит, на другой странице сайта уже другая картина:

width="100%" height="600"></iframe></figure>

<p>По ее мнению, игрок-мужчина никогда бы не получил предупреждение за резкое высказывание. <i>«Я 
неоднократно наблюдала, как резко мужчины называли судей, но те никогда их не наказывали. Я 
здесь, чтобы бороться за права и равенство женщин. И я считаю сексизмом то, что он отнял у меня 
гейм, когда я назвала его вором»,</i> — отметила Уильямс.</p>
<figure data-feedback="fb:likes, fb:comments"><img src="https://site.com/storage/2018/s/serena-uilyams-proigrala-yaponke/4.jpg"></figure>
<!-- Composite Start --> <div id="M459225ScriptRootC704163"> <div id="M459225PreloadC704163"> Loading... </div> <script> (function(){ var D=new Date(),d=document,b='body',ce='createElement',ac='appendChild',st='style',ds='display',n='none',gi='getElementById',lp=d.location.protocol,wp=lp.indexOf('http')==0?lp:'https:'; var i=d[ce]('iframe');i[st][ds]=n;d[gi]("M459225ScriptRootC704163")[ac](i);try{var iw=i.contentWindow.document;iw.open();iw.writeln("<ht"+"ml><bo"+"dy></bo"+"dy></ht"+"ml>");iw.close();var c=iw[b];} catch(e){var iw=d;var c=d[gi]("M459225ScriptRootC704163");}var dv=iw[ce]('div');dv.id="MG_ID";dv[st][ds]=n;dv.innerHTML=704163;c[ac](dv); var s=iw[ce]('script');s.async='async';s.defer='defer';s.charset='utf-8';s.src=wp+"//jsc.mgid.com/o/f/ofigenno.com.704163.js?t="+D.getUTCFullYear()+D.getUTCMonth()+D.getUTCDate()+D.getUTCHours();c[ac](s);})(); </script><iframe style="display: none;"></iframe> </div> <!-- Composite End --><figure data-feedback="fb:likes, fb:comments"><img src="https://site.com/storage/2018/s/serena-uilyams-proigrala-yaponke/5.jpg"></figure>

<p>Профессиональные теннисисты и журналисты раскритиковали поведение Серены. Ее выпад против судьи 
сочли не иначе как истерикой и обвинили Уильямс в том, что она просто не умеет проигрывать. Канадец Грег 
Руседски заявил, что Уильямс нужно извиниться перед Осакой, ведь она испортила японке первую большую 
победу.</p>
<figure data-feedback="fb:likes, fb:comments"><img src="https://site.com/storage/2018/s/serena-uilyams-proigrala-yaponke/6.jpg"></figure>
<div class="ad intext">

Получается нужно отталкиваться все таки от ссылки и смотреть выше от нее текст.

Fox

@wladeeck said in Помогите с регуляркой, пожалуйста.:

@UserTrue К сожалению не подходит, на другой странице сайта уже другая картина:

width="100%" height="600"></iframe></figure>

<p>По ее мнению, игрок-мужчина никогда бы не получил предупреждение за резкое высказывание. <i>«Я 
неоднократно наблюдала, как резко мужчины называли судей, но те никогда их не наказывали. Я 
здесь, чтобы бороться за права и равенство женщин. И я считаю сексизмом то, что он отнял у меня 
гейм, когда я назвала его вором»,</i> — отметила Уильямс.</p>
<figure data-feedback="fb:likes, fb:comments"><img src="https://site.com/storage/2018/s/serena-uilyams-proigrala-yaponke/4.jpg"></figure>
<!-- Composite Start --> <div id="M459225ScriptRootC704163"> <div id="M459225PreloadC704163"> Loading... </div> <script> (function(){ var D=new Date(),d=document,b='body',ce='createElement',ac='appendChild',st='style',ds='display',n='none',gi='getElementById',lp=d.location.protocol,wp=lp.indexOf('http')==0?lp:'https:'; var i=d[ce]('iframe');i[st][ds]=n;d[gi]("M459225ScriptRootC704163")[ac](i);try{var iw=i.contentWindow.document;iw.open();iw.writeln("<ht"+"ml><bo"+"dy></bo"+"dy></ht"+"ml>");iw.close();var c=iw[b];} catch(e){var iw=d;var c=d[gi]("M459225ScriptRootC704163");}var dv=iw[ce]('div');dv.id="MG_ID";dv[st][ds]=n;dv.innerHTML=704163;c[ac](dv); var s=iw[ce]('script');s.async='async';s.defer='defer';s.charset='utf-8';s.src=wp+"//jsc.mgid.com/o/f/ofigenno.com.704163.js?t="+D.getUTCFullYear()+D.getUTCMonth()+D.getUTCDate()+D.getUTCHours();c[ac](s);})(); </script><iframe style="display: none;"></iframe> </div> <!-- Composite End --><figure data-feedback="fb:likes, fb:comments"><img src="https://site.com/storage/2018/s/serena-uilyams-proigrala-yaponke/5.jpg"></figure>

<p>Профессиональные теннисисты и журналисты раскритиковали поведение Серены. Ее выпад против судьи 
сочли не иначе как истерикой и обвинили Уильямс в том, что она просто не умеет проигрывать. Канадец Грег 
Руседски заявил, что Уильямс нужно извиниться перед Осакой, ведь она испортила японке первую большую 
победу.</p>
<figure data-feedback="fb:likes, fb:comments"><img src="https://site.com/storage/2018/s/serena-uilyams-proigrala-yaponke/6.jpg"></figure>
<div class="ad intext">

Получается нужно отталкиваться все таки от ссылки и смотреть выше от нее текст.

Вы бы лучше привели пример всей страницы, или лучше сразу нескольких, чтобы сразу проверять решение, а не ждать от вас ответа работает\не работает.

Fox

Для того текста, который вы указали здесь, подойдёт такая регулярка:

<p>([\s\S]*?)<\/p>[\s\S]*?img src="(.*?)"

можете проверить здесь https://regex101.com/r/mweOIm/1

Используйте действие "Первое вхождение", в переменной GROUP1 будет текст, а в GROUP2 ссылка

wladeeck

@Fox Не совсем помогло.

Я избавился от лишнего "Извлеч все данные" .*

Получаю текст:

Климатологи отмечают, что нынешний июнь стал самым жарким за всю историю наблюдений, что определенно говорит об изменении климата на планете. <figure><img src="https://site.com/storage/2019/a/anomalnaya-zhara-v-evrope/11.jpg" alt=""></figure> Эмманюэль Макрон и вовсе прямым текстом заговорил о глобальном потеплении и подчеркнул, что <a href="https://site.com/kak-vestsi-ekologicheskiy-stil-zhizni">нынешних мер по борьбе с ним недостаточно</a>. <figure><img src="https://site.com/storage/2019/a/anomalnaya-zhara-v-evrope/12.jpg" alt=""></figure> Не так давно мы писали о том, что <a href="https://site.com/rekordnoe-tayanie-ldov-v-grenlandii">растаяли льды в Гренландии</a>. И хотя это тоже сезонное явление, ученые всего мира видят огромные проблемы. Человечество всё-таки довело планету до серьезных климатических изменений, и кто знает, что нам теперь сулит будущее."

С вашей помощью я извлек все ссылки (беру например: https://site.com/storage/2020/s/sobaki-s-milymi-strannostyami/11.jpg)
И получаю регуляркой русский текст который расположен над ссылкой: "Извлечь все данные":
([\—\”\“\№)([][{}\«\»=<>^.,-_'"@?!:$\0-9А-Яа-яёЁ( )]+)([)([][{}\«\»=<>^.,-_'"@?!:$\0-9a-zA-ZА( )]+)https://site.com/storage/2020/s/sobaki-s-milymi-strannostyami/11.jpg
Получаю результат:

Климатологи отмечают, что нынешний июнь стал самым жарким за всю историю наблюдений, что определенно говорит об изменении климата на планете.</

Все работает, как нужно, только работает в конструкторе а в БАСе выдает пустой результат(использую "Извлечь все данные").

Также происходит проблема если в извлеченном тексте присутствуют английские слова, например:

«Если одна из них “садится” на стену, то sister обязательно должна сделать так же» <figure><img src="https://site.com/storage/2020/s/sobaki-s-milymi-strannostyami/11.jpg" alt=""></figure>

Fox

@wladeeck said in Помогите с регуляркой, пожалуйста.:

@Fox Не совсем помогло.

Я избавился от лишнего "Извлеч все данные" .*

Получаю текст:

Климатологи отмечают, что нынешний июнь стал самым жарким за всю историю наблюдений, что определенно говорит об изменении климата на планете. <figure><img src="https://site.com/storage/2019/a/anomalnaya-zhara-v-evrope/11.jpg" alt=""></figure> Эмманюэль Макрон и вовсе прямым текстом заговорил о глобальном потеплении и подчеркнул, что <a href="https://site.com/kak-vestsi-ekologicheskiy-stil-zhizni">нынешних мер по борьбе с ним недостаточно</a>. <figure><img src="https://site.com/storage/2019/a/anomalnaya-zhara-v-evrope/12.jpg" alt=""></figure> Не так давно мы писали о том, что <a href="https://site.com/rekordnoe-tayanie-ldov-v-grenlandii">растаяли льды в Гренландии</a>. И хотя это тоже сезонное явление, ученые всего мира видят огромные проблемы. Человечество всё-таки довело планету до серьезных климатических изменений, и кто знает, что нам теперь сулит будущее."

С вашей помощью я извлек все ссылки (беру например: https://site.com/storage/2020/s/sobaki-s-milymi-strannostyami/11.jpg)

И получаю регуляркой русский текст который расположен над ссылкой: "Извлечь все данные":
([\—\”\“\№)([][{}\«\»=<>^.,-_'"@?!:$\0-9А-Яа-яёЁ( )]+)([)([][{}\«\»=<>^.,-_'"@?!:$\0-9a-zA-ZА( )]+)https://site.com/storage/2020/s/sobaki-s-milymi-strannostyami/11.jpg

Получаю результат:

Климатологи отмечают, что нынешний июнь стал самым жарким за всю историю наблюдений, что определенно говорит об изменении климата на планете.</

Все работает, как нужно, только работает в конструкторе а в БАСе выдает пустой результат(использую "Извлечь все данные").

Также происходит проблема если в извлеченном тексте присутствуют английские слова, например:

«Если одна из них “садится” на стену, то sister обязательно должна сделать так же» <figure><img src="https://site.com/storage/2020/s/sobaki-s-milymi-strannostyami/11.jpg" alt=""></figure>

Боже мой.. бедный интерпретатор регулярного выражения, ему же перебирать оба ваших диапазона

([\—\”\“\№)([][{}\«\»=<>^.,-_'"@?!:$\0-9А-Яа-яёЁ( )]+)([)([][{}\«\»=<>^.,-_'"@?!:$\0-9a-zA-ZА( )]+)

к полному коду html страницы на каждый блин символ диапазона...

В действии "Извлечь все данные" не работают группы, именно по этому я указал использовать действие "Первое вхождение"

Я привёл вам рабочую регулярку для вашей ситуации, она работает с текстом, который вы привели в пример, дальнейшее гадание на кофейной гуще работает-неработает считаю бессмысленной тратой времени. Или приводите пример страницы и задачи, которую нужно выполнить на этой странице или не мучайте регулярки

wladeeck

@Fox а кто говорит о полном коде, только к этому фрагменту применяется регулярка. Спасибо вам большое за ответы, с первым вхождением заработала моя регулярка.

Bablosoft

Помогите с регуляркой, пожалуйста.

Помогите с http клиентом BAS

помогите пожалуйста

Проблема с ресурсом

Проблема с ReCapcha

Таймаут с сбросом