Re: [PROGRAMMERING] Udtræk af url'er fra ASCII fil

[Jens Bang <sslug@sslug>]

Jeg svarer lige samlet her.

Jeg har endnu en gang fået bevist, at jeg ikke skal skrive mails klokken 
kvart over kvalme om natten. Specielt ikke når jeg skal beskrive en 
problemstilling.

Filen indeholder andre ting end de urler jeg skal have ud af den, inkl. 
andre tekster afghrænset med citationstegn. Og den er ikke inddelt i 
linier. Faktisk er der ikke et eneste linieskift i hele filen, som er 
2,2 MB stor.

Disse manglende informationer gør at ingen af de foreslåede løsninger 
virkede. Men et par af dem kom tæt på.

JEg endte med at klaske et hurtigt PAscal program sammen, som hentede de 
url'er jeg skulle bruge. Men det ser ud til at det vil være en god idé 
at se nærmere på awk/sed, inden næste gang.

Tak for hjælpen til jer alle tre. :-)

On 14/07/13 03:13, Jimmy Selgen Nielsen wrote:
> Diverse "script" sprog burde da være oplagte til det, men jeg er sikker på at man nok også kan skrue en kommandolinie sammen med sed/awk, f.eks. noget i stil med
> 	
> 	cat urltest.txt | sed 's/\"//g' | awk -F: '{for(i=2;i<=$NF;i++) print $i" "}'

Denne virker ikke helt. Jeg har bl.a. set at den udskiller https for 
sig, og resten af url'en (uden :) for sig.


> men umiddelbart burde følgende python nok kunne klare det
>
> https://gist.github.com/jinie/5992705
>
> ==============================
> #!/usr/bin/env python
> import re
> import sys
>
> ex = re.compile("\"(url|referer)\"\:\"(.*)\"")
> with open(sys.argv[1]) as f:
>     for line in iter(f.readline,""):
>         m = ex.search(line)
>         print(m.group(2))
> ==============================

Denne så ud til at den ville have virket, hvis ikke den havde troet at 
der ville være linieskift i filen.

--

        |\     _,,,---,,_       Greetings, Jens
 ZZZzz /,`.-'`'    -.  ;-;;,_
      |,4-  ) )-,_. ,\ (  `'-'  sslug@sslug
     '---''(_/--'  `-'\_)
----------------------------------------------------
Been there, done that, got the T-shirt.