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/
