[решено] Регулярное выражение для поиска и замены в Telegram Instant View

Компьютерный форум OSzone.net (http://forum.oszone.net/index.php)

- Скриптовые языки администрирования Windows (http://forum.oszone.net/forumdisplay.php?f=102)

Регулярное выражение для поиска и замены в Telegram Instant View

Всем привет!

Хочу запилить Instant View для блога, сейчас открылось окно, когда можно добавлять свой домен. У них сейчас вторая версия IV, где считается невалидным HTML-кодом img вложенный в p, так: <img ...>. В первой версии такой проблемы не было. Я в регулярных выражениях не силен, тем более с кастомным парсером.

Проблема
У меня или WordPress или платформа Genesis именно такой код и создает. Например, для этой статьи я использую чистый HTML без , а в F12 вижу

Код:

<p>

<img src="/blog/wp-content/uploads/blog-images/date-modified01.png" height="149" width="280" alt="PowerShell дата создания файла">

</p>

Не исключено, что где-то в других статьях в моем коде img может быть обернут в p, например в таком варианте (слэш в конце тега <img ... />)

Код:

<p><img src="/blog/wp-content/uploads/blog-images/date-modified01.png" height="149" width="280" alt="PowerShell дата создания файла" /></p>

Задача
Вырезать и в таких конструкциях как выше, т.е. получить заменой

Код:

<img src="/blog/wp-content/uploads/blog-images/date-modified01.png" height="149" width="280" alt="PowerShell дата создания файла">

<img src="/blog/wp-content/uploads/blog-images/date-modified01.png" height="149" width="280" alt="PowerShell дата создания файла" />

Документация
(Из РФ может понадобиться прокси или VPN)
Как я понимаю, можно использовать match или replace (чуть ниже на странице). Второй я использовал для других целей без регекспов, он работал.

Тренироваться при наличии аккаунта ТГ можно тут https://instantview.telegram.org/my/ Надо скормить ему URL статьи. Там, конечно, страшненько все выглядит.

Мой шаблон прикреплен. В текущем виде он выдает ошибку

Код:

Element <img> is not supported in <p>: <img src="/blog/wp-content/uploads/blog-images/date-modified01.png" height="149" width="280" alt="PowerShell дата создания файла"/>

Спасибо за внимание к просьбе.
P.S. Пошиковский регексп к их match не подошел

Код:

\s*(<img.+/?>)\s*

Не совсем понятно откуда будут поступать данные... допустим, что из файла...
Далее: а будет ли валидным например такой вариант:

Код:

<p>

<img src="/blog/wp-content/uploads/blog-images/date-modified01.png" height="149" width="280" alt="PowerShell дата создания файла">

<img src="/blog/wp-content/uploads/blog-images/date-modified01.png" height="149" width="280" alt="PowerShell дата создания файла">

</p>

? Или возможно ли присутствие других элементов между ...? Или иные варианты вообще не рассматриваются?
Если строго по условиям из шапки, то:
powershell

Код:

(gc test.html -raw -enc utf8) -replace '\s*(<img [^>]*>)\s*','$1'

Цитата:

Цитата YuS_2

Не совсем понятно откуда будут поступать данные... допустим, что из файла... »

Сервис Instant View тянет страницу с веб-сайта и парсит HTML на основе моего (плюс своего) шаблона.

Цитата:

Цитата YuS_2

Далее: а будет ли валидным например такой вариант: »

Им можно пренебречь. Даже если где-то у меня были две картинки подряд.

Цитата:

Цитата YuS_2

Или возможно ли присутствие других элементов между ...? »

Не знаю, но будем считать, что возможно (span и т.д.).

Цитата:

Цитата YuS_2

Если строго по условиям из шапки, то:
powershell »

Регексп PowerShell не прокатывает, либо я не знаю, как правильно написать регексп для их синтаксиса. Ориентируясь на примеры в мануале, делаю

Код:

@match("\s*(<img [^>]*>)\s*"): //p

REGEXP_ERROR: regexp pattern is empty

Цитата:

Цитата Vadikan

Сервис Instant View тянет страницу с веб-сайта и парсит HTML на основе моего (плюс своего) шаблона. »

Понятно.

Тогда почему match? Ведь:

Цитата:

Цитата Vadikan

Задача
Вырезать и в таких конструкциях как выше, т.е. получить заменой »

то есть для задачи требуется @replace

Цитата:

Цитата Vadikan

Не знаю, но будем считать, что возможно (span и т.д.). »

Тогда с этим сложнее, потому как регулярками парсить конструкции html со вложенными элементами сложно, а иногда просто невозможно, особенно если структура заранее неизвестна.

Цитата:

Цитата Vadikan

Регексп PowerShell не прокатывает, либо я не знаю, как правильно написать регексп для их синтаксиса. Ориентируясь на примеры в мануале »

А вот это странно... у них в мануале идет отсыл на регэкспы PCRE, у powershell хоть регулярки из .net, но они вполне совместимые PCRE...
И это:

Цитата:

Цитата Vadikan

REGEXP_ERROR: regexp pattern is empty »

строго говоря, неправда.

Вот это:

Цитата:

Цитата Vadikan

@match("\s*(<img [^>]*>)\s*"): //p »

соответствует их требованиям из мануала...
Правда, eсть подозрение, что область поиска сводится не ко всей dom-структуре, а ограничивается конкретным элементом, описанным в xpath. Поэтому, необходимо расширить область поиска, т.е. указать надо не сам удаляемый элемент , а родительский.
Можно попробовать это проверить так:

Код:

@match("\s*(<img [^>]*>)\s*", 0, "ims"): //div

а потом уже использовать @replace

Я проверил так

Код:

 #содержимое статьи

@match("<p>\s*(<img [^>]*>)\s*</p>", 0, "ims"): //div[has-class("entry-content")]

и так

Код:

#родительский элемент содержимого статьи

@match("<p>\s*(<img [^>]*>)\s*</p>", 0, "ims"): //article

Ошибка та же.

Цитата:

Цитата Vadikan

Ошибка та же. »

Причина ошибки:
не поддерживаются следующие конструкции

Код:

\s - [ \t\n\r\f\v]

а именно нет поддержки:

Код:

\v

в итоге получилось:

Код:

@replace("<p[^>]*>[ \n\r\t\f]*(<img [^>]*>)[ \n\r\t\f]*","$1","ims"): //div

- насколько работоспособен шаблон, не проверял... вечером, в спокойной обстановке гляну...

ЗЫ Проверил регулярки в Instant View. Да, этот вариант обязан работать правильно.

YuS_2, спасибо. Регулярное выражение работает, но задачу не решает.

Если применять его к

//div или конкретнее - к телу статьи //div[has-class("entry-content")] (оно же $main), то вся статья превращается в один сплошной абзац
$main/p, то вырезаются картинки

Второе неочевидно. Картинка видна в левой панели (исходная статья). Если в правой панели навести курсор между абзацами, где она должна быть, то при корректном результате там видно Photo (иногда сразу сопровождается урлом картинки).

В редакторе это можно проверить, сравнив с версией 1.0. Надо закомментировать добавленное регулярное выражение и новую версию в первой строке так:

Код:

#~version: "2.0"

https://i.imgur.com/iAQWIRa.png

В ТГ это можно проверить так: нажать View in Telegram в правом верхнем углу → отправить ссылку себе в ТГ в сохраненные → смотреть на смартфоне.
В общем, это единственный нормальный способ просмотреть реальный IV.

Цитата:

Цитата Vadikan

Регулярное выражение работает, но задачу не решает. »

Да, как-то странно оно работает... не просто не решает, а коцает всю структуру.
С наскока победить не получилось, надо читать мануалы на этот Instant View. Похоже с тегами регулярки напрямую не работают как с текстом... завтра попробую разобраться, что там к чему.

Цитата:

Цитата Vadikan

В общем, это единственный нормальный способ просмотреть реальный IV. »

Это я уже понял... но могли бы дать возможность смотреть результат работы шаблонов, но в исходнике html, а не готовую картинку на смартфоне... ну, да ладно, не смертельно... :)

Цитата:

Цитата YuS_2

Похоже с тегами регулярки напрямую не работают как с текстом »

Возможно. В примере https://instantview.telegram.org/docs#replace есть только манипуляция с классом внутри тега.

Там есть еще https://instantview.telegram.org/docs#replace-tag но не похоже, что он принимает регэкспы. В примерах этого нет, и в лоб не прокатывает. Простая замена в нем работает у меня.

Код:

@replace("Увеличить рисунок", ""): $main/p/a/text()

@replace_tag("<nobr>"): $main/p/a/br

Так я превращал

Код:

<a href="..."><img src="..." /><br />Увеличить рисунок</a>

→

<a href="..."><img src="..." /></a>

Цитата:

Цитата Vadikan

есть только манипуляция с классом внутри тега. »

В общем, всё оказалось гораздо проще. Разбор работы регэкспов к положительному результату не привел, т.к. скорее всего, они предназначены для работы именно внутри тегов, а не с тегами...
А для решения проблемы, надо просто заменить тег с дочерним элементом <img/> на тег <figure>.
Сделать это можно, как раз, с помощью команды @replace_tag
так:

Код:

@replace_tag(<figure>): //p[child::img]

или так:

Код:

<figure>: //p[img]

- это эквивалентные записи, вторая просто укороченная и в части команды, и в части самого xPath.

YuS_2, спасибо, работает! Хехе, я стал жертвой неправильно поставленной задачи :)