Dale una revisada a scrapy, http://scrapy.org
Saludos! Sent from my iPhone > On Jul 30, 2014, at 5:19 AM, Kiko <kikocorre...@gmail.com> wrote: > > > > > El 30 de julio de 2014, 11:54, Guillermo Vaya <nada...@gmail.com> escribió: >> En general, no usaria un regex para parsear html (o ningun tipo de XML) a >> menos que estuviera 100% seguro de que lo que busco no va a cambiar en la >> vida (siempre desde la misma fuenta y generado a maquina). Sino que >> utilizaria un parser especializado para ello. en la propia libreria estandar >> de python hay uno[1] y ademas hay muchas librerias especializadas (como >> beautiful soup [2]) que posiblemente lo faciliten aun mas. >> >> Asi en un vistazo rapido, podria fallarte si >> >> alguien mete espacio de mas entre los atributos del tag >> se incluyera algun otro atributo de img antes del data:el alt que tienes en >> el ejemplo bien podria haber sido escrito antes del data >> se usaran comillas simples para definir los valores del atributo (lo normal >> es doble, pero es aceptable tambien) > > Todo cierto!! > > A priori, todo proviene de un proceso automatizado (aunque puede cambiar en > el futuro y romper las cosas). > >> >> [1]: https://docs.python.org/3/library/html.parser.html > > Voy a probar a ver si me resuelve la papeleta. Gracias. Aunque sigo pensando > que re es más potente y da mayor libertad, pero también es cierto que es más > esotérico y puede dar infinitos problemas (como los ejemplos que has puesto) > > Gracias. > >> >> [2]: http://www.crummy.com/software/BeautifulSoup/ >> >> >> 2014-07-30 10:58 GMT+02:00 Kiko <kikocorre...@gmail.com>: >> >>> >>> >>> >>> El 30 de julio de 2014, 10:33, Eduard Diaz <eventgra...@gmail.com> escribió: >>> >>>> No hace falta que lo parsees a mano utiliza la libreria base64[1] >>> >>> Creo que no lo he explicado correctamente. El problema de transformar la >>> información está resuelto. Mi problema es como obtener la información para >>> poder transformarla. >>> >>>> >>>> [1]http://www.programcreek.com/2013/09/convert-image-to-string-in-python/ >>>> >>>> El día 30 de julio de 2014, 9:25, Kiko <kikocorre...@gmail.com> escribió: >>>> > Hola a todos. >>>> > >>>> > Estoy intentando extraer información de imágenes de un código html >>>> > (http://en.wikipedia.org/wiki/Data_URI_scheme) >>>> > >>>> > El formato sería el siguiente: >>>> > >>>> > <img >>>> > src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAXcAAAEACAYAAABI5zaHAAAABHNCSVQICAgIfAhkiAAAAAlwSFlz >>>> > AAALEgAACxIB0t1+/AAA" /> >>>> > >>>> > >>>> > Me interesa extraer la extensión de la imagen (png en el anterior >>>> > ejemplo) y >>>> > los datos que vienen después de 'base64,' hasta el cierre de comillas >>>> > '"', >>>> > es decir, >>>> > 'iVBORw0KGgoAAAANSUhEUgAAAXcAAAEACAYAAABI5zaHAAAABHNCSVQICAgIfAhkiAAAAAlwSFlz >>>> > AAALEgAACxIB0t1+/AAA'. >>>> > >>>> > >>>> > Tengo un ejemplo aquí, >>>> > https://gist.github.com/anonymous/75ab61f586c19e767cf0, pero estoy >>>> > seguro de >>>> > que mi regex me va a fallar en cuanto encuentre alguna cosa más rara. >>>> > >>>> > ¿Alguien me podría indicar si el regex vale o si debería modificarlo para >>>> > que no me dé falsos positivos o acepte falsos negativos? >>>> > >>>> > Muchas gracias por adelantado. >>>> > >>>> > >>>> > _______________________________________________ >>>> > Python-es mailing list >>>> > Python-es@python.org >>>> > https://mail.python.org/mailman/listinfo/python-es >>>> > FAQ: http://python-es-faq.wikidot.com/ >>>> > >>>> _______________________________________________ >>>> Python-es mailing list >>>> Python-es@python.org >>>> https://mail.python.org/mailman/listinfo/python-es >>>> FAQ: http://python-es-faq.wikidot.com/ >>> >>> >>> _______________________________________________ >>> Python-es mailing list >>> Python-es@python.org >>> https://mail.python.org/mailman/listinfo/python-es >>> FAQ: http://python-es-faq.wikidot.com/ >> >> >> _______________________________________________ >> Python-es mailing list >> Python-es@python.org >> https://mail.python.org/mailman/listinfo/python-es >> FAQ: http://python-es-faq.wikidot.com/ > > _______________________________________________ > Python-es mailing list > Python-es@python.org > https://mail.python.org/mailman/listinfo/python-es > FAQ: http://python-es-faq.wikidot.com/
_______________________________________________ Python-es mailing list Python-es@python.org https://mail.python.org/mailman/listinfo/python-es FAQ: http://python-es-faq.wikidot.com/
