- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我有一个 scraper 类,它从一个流行的赔率门户网站收集玩家。没有确切的名字,该网站使用简称。例如 Rafael -> R。幸运的是,它们可以在链接中以 slugified 形式找到 (nadal-rafael)
我做了一个方法processPlayers
,尝试解决这个问题。它适用于更简单的情况,但如果玩家的名字中有连字符或她/他有两个名字,则会失败。
我写了一些测试来演示 html 结构和问题。
class Scraper {
/**
* Converts a html string to a cheerio object
* @param {String} html The html string
* @return {Object} The cheerio object
*/
htmlToDom(html) {
return cheerio.load(html)
}
/**
* Gives back the number of parts if the name would slugify
* It takes in account, that the name could contains hyphen
* Leopold von Sacher-Masoch -> leopold-von-sacher-masoch
* @param {Array} a_name The name splitted by space (' ')
* @return {Integer} The length of the name
*/
getNameLength(a_name) {
let name = a_name.length > 1 ? a_name.join(' ') : a_name[0]
return a_name.length + name.split('-').length - 1
}
capitalize(a_name) {
let res = []
a_name.forEach(str => {
res.push(str.substr(0, 1).toUpperCase() + str.substr(1))
})
return res.join(' ')
}
processPlayers(players) {
let link = players('a')
let href = link.attr('href')
let a_players = link.text().split(' - ')
let a_href = href.split('/')
let a_link = a_href[a_href.length - 2].split('-')
let a_player1 = a_players[0].trim().split(' ')
let a_player2 = a_players[1].trim().split(' ')
let a_player1_lastName = a_player1.slice(0, -1)
let a_player2_lastName = a_player2.slice(0, -1)
let a_player1ShortFirstName = [a_player1[a_player1.length - 1]]
let a_player2ShortFirstName = [a_player2[a_player2.length - 1]]
let p1_lnLength = this.getNameLength(a_player1_lastName)
let p1_fnLength = this.getNameLength(a_player1ShortFirstName)
let p2_lnLength = this.getNameLength(a_player2_lastName)
let p2_fnLength = this.getNameLength(a_player2ShortFirstName)
let p1_length = p1_lnLength + p1_fnLength
let p2_length = p2_lnLength + p2_fnLength
let player1FirstName = this.capitalize(a_link.slice(p1_lnLength, p1_length))
let player2FirstName = this.capitalize(a_link.slice(p1_length + p2_lnLength, p1_length + p2_length))
return {
p1: {
firstName: player1FirstName,
lastName: a_player1_lastName.join(' ')
},
p2: {
firstName: player2FirstName,
lastName: a_player2_lastName.join(' ')
}
}
}
}
// test ===========================================================
test('simple case', function() {
let playersCell = `
<td>
<a href="/t/pavlyuchenkova-anastasia-sorribes-tormo-sara/">
<span>Pavlyuchenkova A.</span>
- Sorribes Tormo S.
</a>
</td>
`
const scraper = new Scraper()
const td = scraper.htmlToDom(playersCell)
const players = scraper.processPlayers(td)
equal(players.p1.firstName, 'Anastasia')
equal(players.p1.lastName, 'Pavlyuchenkova')
deepEqual(players.p2, {
firstName: 'Sara',
lastName: 'Sorribes Tormo',
})
});
// =====================================================================
test('hyphen in last name', function() {
let playersCell = `
<td><a href="/t/kudermetova-veronika-duque-marino-mariana/">
<span>Kudermetova V.</span> - Duque-Marino M.</a>
</td>
`
const scraper = new Scraper()
const td = scraper.htmlToDom(playersCell)
const players = scraper.processPlayers(td)
equal(players.p2.firstName, 'Mariana')
equal(players.p2.lastName, 'Duque-Marino')
});
// =====================================================================
test('hyphen in first name', function() {
let playersCell = `
<td>
<a href="/t/tsonga-jo-wilfried-mayer-florian/">
<span>Tsonga J-W.</span>
- Mayer F.
</a>
</td>
`
const scraper = new Scraper()
const td = scraper.htmlToDom(playersCell)
const players = scraper.processPlayers(td)
equal(players.p1.firstName, 'Jo-Wilfried')
equal(players.p1.lastName, 'Tsonga')
});
test('two first names', function() {
let playersCell = `
<td>
<a href="/t/alexandrova-ekaterina-muguruza-blanco-garbine/">
Alexandrova E. - <span>Muguruza</span> B. G.</a>
</td>
`
const scraper = new Scraper()
const td = scraper.htmlToDom(playersCell)
const players = scraper.processPlayers(td)
equal(players.p2.firstName, 'Blanco Garbine')
equal(players.p2.lastName, 'Muguruza')
});
<!DOCTYPE html>
<html>
<head>
<meta charset=utf-8 />
<title></title>
<script src="https://wzrd.in/standalone/cheerio@latest"></script>
<link rel="StyleSheet" href="http://code.jquery.com/qunit/qunit-1.12.0.css" type="text/css">
</head>
<body>
<div id="qunit"></div>
<div id="qunit-fixture"></div>
<script src="http://code.jquery.com/qunit/qunit-1.12.0.js" type="text/javascript">
</script>
</body>
</html>
看起来 stackoverflow 的代码片段对 qunit 有一些问题。所以这是 JsBin 链接:
最佳答案
看起来问题是在“困难”情况下正确确定姓氏
和名字
。
您将文本拆分为两个全名,好的。
然后你把全名分成几个词,好吧。
然后你就犯了一个错误,假设 first name
总是最后一个词,其余的是 last name
。
事实上,last name
是所有不在缩写形式中的词,剩下的就是first name
。
我已经通过这种方式解决了你的问题。
请在下面找到更新的 class Scraper
(我已经删除了不再使用的功能):
class Scraper {
/**
* Converts a html string to a cheerio object
* @param {String} html The html string
* @return {Object} The cheerio object
*/
htmlToDom(html) {
return cheerio.load(html)
}
processPlayers(players) {
let href = players('a').attr('href')
let N = players('a').text().trim().split(/\s+-\s+/).map(n => {
let r = new RegExp('.+('+n.replace(/-/g,'\\S+').replace(/\./g,'[^-]+').replace(/\s/g,'.')+').+','i')
let p = {lastName: n.replace(/\s\S+\./g,'')}
href.match(r).map(m => {
r = new RegExp(p.lastName.replace(/\s/g,'.') + '-', 'i')
m = m.replace(r,'').split(/-/).map(i => {return i.substring(0,1).toUpperCase() + i.substring(1)})
p.firstName = n.split(p.lastName + ' ')[1].replace(/\./g,'').split('').map(l => {return m[0] && m[0].indexOf(l) === 0 ? m.shift() : l}).join('')
})
return p
})
return {p1: N[0], p2: N[1]}
}
}
它通过了所有测试。对不起,如果它不是很可读。
关于javascript - 从html中提取数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44943207/
我正在做一个业余爱好项目,使用 Ruby、PHP 或 Java 来抓取 ASP.net 网站的内容。例如,如果网站 url“www.myaspnet.com/home.aspx”。我想从 home.a
如果我有这些字符串: mystrings <- c("X2/D2/F4", "X10/D9/F4", "X3/D22/F4",
我有以下数据集 > head(names$SAMPLE_ID) [1] "Bacteria|Proteobacteria|Gammaproteobacteria|Pseudomonadales|Mor
设置: 3个域类A,B和C。A和B在插件中。 C在依赖于此插件的应用程序中。 class A{ B b static mapping = { b fetch: 'joi
我不知道如何提取 XML 文件中的开始标记元素名称。我很接近〜意味着没有错误,我正在获取标签名称,但我正在获取标签名称加上信息。我得到的是: {http://www.publishing.org}au
我有一个字符串 x <- "Name of the Student? Michael Sneider" 我想从中提取“Michael Sneider”。 我用过: str_extract_all(x,
我有一个如下所示的文本文件: [* content I want *] [ more content ] 我想读取该文件并能够提取我想要的内容。我能做的最好的事情如下,但它会返回 [更多内容] 请注意
假设我有一个项目集合 $collection = array( 'item1' => array( 'post' => $post, 'ca
我正在寻找一种过滤文本文件的方法。我有许多文件夹名称,其中包含许多文本文件,文本文件有几个没有人员,每个人员有 10 个群集/组(我在这里只显示了 3 个)。但是每个组/簇可能包含几个原语(我在这里展
我已经编写了一个从某个网页中提取网址的代码,我面临的问题是它不会以网页上相同的方式提取网址,我的意思是如果该网址位于某些网页中法语,它不会按原样提取它。我该如何解决这个问题? import reque
如何在 C# 中提取 ZipFile?(ZipFile 是包含文件和目录) 最佳答案 为此使用工具。类似于 SharpZip .据我所知 - .NET 不支持开箱即用的 ZIP 文件。 来自 here
我有一个表达: [training_width]:lofmimics 我要提取[]之间的内容,在上面的例子中我要 training_width 我试过以下方法: QRegularExpression
我正在尝试创建一个 Bash 脚本,该脚本将从命令行给出的最后一个参数提取到一个变量中以供其他地方使用。这是我正在处理的脚本: #!/bin/bash # compact - archive and
我正在寻找一个 JavaScript 函数/正则表达式来从 URI 中提取 *.com...(在客户端完成) 它应该适用于以下情况: siphone.com = siphone.com qwr.sip
关闭。这个问题需要更多focused .它目前不接受答案。 想改进这个问题吗? 更新问题,使其只关注一个问题 editing this post . 关闭 8 年前。 Improve this qu
编辑:添加了实际的 JSON 对象和代码以供审查 我有这种格式的 JSON(只是这种层次结构,假设 JSON 正常工作) {u'kind': u'calendar#events', u'default
我已经编写了代码来使用 BeautifulSoup 提取一本书的 url 和标题来自页面。 但它并没有在 > 之间提取惊人的 super 科学故事 1930 年 4 月这本书的名字。和 标签。 如何提
使用 Java,我想提取美元符号 $ 之间的单词。 例如: String = " this is first attribute $color$. this is the second attribu
您好,我正在尝试找到一种方法来确定字符串中的常量,然后提取该常量左侧的一定数量的字符。 例如-我有一个 .txt 文件,在那个文件的某处有数字 00nnn 数字的例子是 00234 00765 ...
php读取zip文件(删除文件,提取文件,增加文件)实例 从zip压缩文件中提取文件 复制代码 代码如下: <?php /* php 从zip压缩文件
我是一名优秀的程序员,十分优秀!