perúnHQ - Milan Herda a jeho svet

Neviem, ako vy, ale ja nerád čítam dlhšie texty z monitora. Papier je predsa len papier, pokojne si ho vezmete na posteľ, do električky, rýchlo upracete do vaku a a aj rýchlo vytiahnete. Preto si všetky tutoriály, návody a články z webu, ktoré sú buď príliš dlhé alebo nemám čas si ich hneď prečítať, dávam vytlačiť. Keďže väčšina vecí sú hlavne www stránky, tak je s tým občas trošku problém. Hlavne, ak chce mať človek vytlačené všetky diely tutoriálu pokope a chce si z nich urobiť knižku.

Tlačiť každý dokument zvlášť, aj s hlavičkou a pätou dokumentu, nemusí byť to pravé. Nebolo by lepšie všetky diely tutoriálu pospájať do jedného súboru a vytlačiť ich tak? Určite bolo.

Nejaký čas som to všetko robil prácne ručne. Otvoril som si všetky články tutoriálu, ktorý ma práve zaujímal, poukladal je den po druhom. Všetky otvoril v textovom editore, upravil, nakoniec zlepil do jedného dokumentu a ten dal vytlačiť.

Dnes mám na to skript. Najskôr si pozbieram url linky článkov tutoriálu a všetky vložím do textového súboru. Jeden riadok, jedna linka. Následne si otvorím jeden skript, tam upravím dva regulárne výrazy, ktoré mi z každého článku odrežú nepotrebné html hlavičky a pätu, uložím. Skript spustím a jeho výsledok presmerujem do nejakého súboru. Nakoniec v tomto súbore pridám vlastné html hlavičky a hotovo. Môže sa tlačiť. Z hodinovej roboty sú zrazu dve-tri minúty.

Takže ešte raz:

1. Všetky linky uložíme do jedného súboru linky.txt
2. Upravíme regulárne výrazy v skripte
3. Spustíme:

   perl stiahni-clanky.pl linky.txt > clanky.html

4. Otvoríme clanky.html a pridáme vlastné html hlavičky
5. Dáme tlačiť

A tu je zdrojový kód skriptu v jazyku Perl. Tento má regulárne výrazy upravené pre server interval.cz.

#!/usr/bin/perl
 
# vim:set shiftwidth=4 tabstop=4 expandtab foldmethod=marker: #
 
use strict;
use warnings;
 
use LWP::UserAgent;
 
die "Nebol zadany subor so zoznamom liniek" unless $ARGV[0];
 
my @urls = ();
open FH, "<", $ARGV[0];
while (my $line = <FH>) {
    $line =~ s/^s+|s+$//; # medzery na zaciatku a konci riadku ignorujeme
    push @urls, $line;
}
close FH;
 
my $ua = new LWP::UserAgent;
$ua->agent ("Mozilla/5.0 (X11; U; Linux x86_64; en-US; rv:1.9.0.1) Gecko/2008071420 Iceweasel/3.0.1 (Debian-3.0.1-1)");
 
foreach my $url (@urls) {
    my $response = $ua->get ($url);
 
    my $content = $response->as_string;
    # regularny vyraz pre odrezanie hlavicky dokumentu
    $content =~ s/^.+?<h2>/<h2>/s;
    # regularny vyraz pre odrezanie paty dokumentu
    $content =~ s/(<div id='article-author'>.*?</div>).*$/<br /><br />/s;
    print $content, "
";
 
}