\t|\n cleared

This commit is contained in:
Mateusz Ogrodowczyk 2022-05-05 22:19:07 +02:00
parent 309ce718b1
commit 65d8a5da91

View File

@ -7,16 +7,16 @@ import Text.XML.HXT.XPath
-- import Text.XML.HXT.Curl
import Data.List
import Data.List.Utils (replace)
-- import qualified Data.Text as T
import Text.Regex.Posix
import Text.Printf
extractRecords = extractLinksWithText "//section[@id='section-content']//h2/a" -- pary adres-tytuł
>>> second (arr $ replace "\r\n " " ") -- czyścimy drugi element pary, czyli tytuł z niepotrzebnych białych znaków
-- >>> first (arr ((++"tr") . init)) -- modyfikujemy pierwszy element pary, czyli adres URL
>>> first (extractLinksWithText "//div[@class='attachment']/a[contains(@href, '.pdf')]") -- pobieramy stronę z adresu URL i wyciągamy linki z tej strony pasujące do wyrażenia XPathowego
-- ostatecznie wyjdą trójki ((adres URL, tytuł artykułu), tytuł rocznika)
-- >>> first (second (arr $ replace "\t" ""))-- ostatecznie wyjdą trójki ((adres URL, tytuł artykułu), tytuł rocznika)
-- ... a tutaj te trójki przerabiamy do docelowej struktury ShadowItem
toShadowItem :: ((String, String), String) -> ShadowItem
@ -27,7 +27,7 @@ toShadowItem ((url, articleTitle), yearlyTitle) =
format = Just "pdf",
finalUrl = url
}
where title = "Teksty Drugie " ++ yearlyTitle ++ " " ++ (replace "\r\n" "" (replace "\r\n " "" articleTitle))
where title = "Teksty Drugie " ++ yearlyTitle ++ " " ++ (replace "\n" "" (replace "\t" "" articleTitle))
date = getDate url
getDate url =