Home

Тут все что может вам понабиться

https://drive.google.com/drive/folders/1hGODDb3OlHzAL7jqJbCW01ThdKKgbV9L

Как устроен парсер для MangaWatcherX

1) Поля заголовка парсера

id [long] - идентификатор сайта (пережиток далекого прошлого но от него пока не отказаться),
version [string] - версия данного файла, приложение будет брать наибольшую версию или локальную,
title [string] - Название парсера [обязательно],
host [string] - основной хост сайта [обязательно],
public_link [string] - ссылка на каталог манг сайта (для пользователя)можно просто указать адрес сайта сайт,
folder [string] - название каталога для где будут храниться манги [обязательно],
name [string] - короткое название [не обязательно],
language [string] - код языка сайта ISO 639-1 http://en.wikipedia.org/wiki/ISO_639-1,
chapters_order [bool] - порядок сортировки глав на странице (true - 1,2,3 false: 501,500,499...), по умолчанию true
time_invalidate [long] - [не используется].
encoding string] - указывает какую кадировку использует сайт это чаше всего utf-8 или Windows-1251.
catalog_link [string] - ссылка на файл каталога манг в формате protobuf, можно использовать и в формате sqlite ток для этого добавте если хотяте использовать тип sqlite"file_type": "sqlite",.
self_link [string] - ссылка на парсера в формате .json.
self_link2 [string] - ссылка на парсера в формате .json отвечает за альтернативный источник загрузки парсера (проверяется версия парсера) добавлено начиная с версии 3.1.4.12;
icon_link [string] - ссылка на иконку парсера ,
"author": {"name": "Кто делает парсер","email": "Адрес для связи "},

2) Онлайн поиск по сайту по ключевому слову

manga_search_complete

search_link [string] - ссылка на поисковый запрос на сайте ,

сформированных как search_link + $query$ + $page$

$query$ - Выдает текст который ишет пользователь

$page$ - ходит по страницам от 1-99

sufix [string] - текст вставляемый после результата.
query_type [string] - тип запроса GET или POST,
add_manga [add_href] - парсим каждую страницу и чтобы получить объекты с именами и ссылками на манги { title, link, cover, uniq };

пример использования

"manga_search_complete": {		
  "search_link": "http://tl.rulate.ru/search/index/t/$query$/cat/0/s_lang/0/t_lang/0/sort/4/n_chapters//Book_page/$page$",
		"query_type": "GET",
		"add_manga": {
			"next": "<p><a href='/book/",
			"link": {
				"token1": "href='/book/",
				"token2": "'>",
				"replace": {
					"prefix": "http://tl.rulate.ru/book/"
				}
			},
			"title": {
				"skip": "href='",
				"token1": "'>",
				"token2": "</"
			},
			"uniq": {
				"skip": "href='",
				"token1": "book/",
				"token2": "'>"
			},
			"cover": {
				"skip": "href='",
				"token1": "src='",
				"token2": "'",
			"replace": {
					"prefix": "http://tl.rulate.ru/"
				}
			}
		}
	},

3) Функция авторизации

пока пусто я в этом плохо понимаю но пример оставлю рабочий пример Rulate

"authorization_complete": {
		"logo": "https://tl.rulate.ru/i/favicon.ico",
		"registration": "https://tl.rulate.ru/register",
		"expires": 31536000,
        "is_redirect": true,
		 
		"values": {
		    "login[login]": {
				"label": "Логин",
				"hint": "Введите свой логин с сайта Rulate!",
				"kind": "text"
			},
			"login[pass]": {
				"label": "Пароль",
				"hint": "Введите свой пароль с сайта Rulate!",
				"kind": "password"
			},
			"mature":{
			"forward":"cookie",
			"value":"c3a2ed4b199a1a15f5a5483504c7a75a7030dc4bi%3A1%3B"
			}
		},
"request": {"method": "post","url": "https://tl.rulate.ru/" },
"response_check": { "headers": {"Set-Cookie": "@%22login"}
  }
},

добавление своих печенек "values": { "cookie_name": { "forward": "cookie", "value": "cookie_value"} } cookie_namе - имя самой печеньки cookie_value - значение остальное не трогать values - это блок, в который это все пихать

4) Методы формирования БД манги для создания каталога

manga_list_complete - функция получения списка манги ( title, link, uniq );

iterator [string|array|get_iterator] - формирование списка страниц каталога манг. Т.е. формируется список страниц из которые подлежат обходу;
add_manga [add_href] - парсим каждую страницу и чтобы получить объекты с тменами и ссылками на манги { title, link, uniq };

Пример работы с сайта mangachan

"manga_list_complete": {
		"iterator": {
			"base_url": "https://manga-chan.me/mostfavorites?offset=",
			"append_nums": { "from": 0, "to": 16260, "step": 20, "last_page": {"before": ">>>", "token1": "<a href='?offset=", "token2": "'"} }
		},
		"add_manga": {
			"next": "<div class=\"content_row\"",
			"link":  { "token1": "href=\"", "token2": "\"" },
			"title": { "token1": "title=\"", "token2": "\"" },
			"cover": { "token1": "img src=\"", "token2": "\"" }
		},
		"rating_auto_inc": {
			"start": "20000",
			"inc": -1
		}
	},

5) manga_complete - Функция формирования полной информации по манге;

title [get_string] - название манги;
uniq [get_string] - уникальное значение части пути для формирования папки [не обязательно но желательно].
author [get_string] - автор манги;
summary [get_string] - описание манги;
cover [get_string] - обложка манги;
rating [get_string] - рэйтинг манги (как показала практика можно начхать на это);
is_mature [detect] - манга для взрослых; Пример

 "is_mature": {
            "values": [
                ">Для взрослых 18+<",
                ">Для взрослых 16+<",
                ">Сэйнэн<",
                ">Яой<"
            ]
        },

read_dir [enum_detect] - направление чтения покажет пользователю как читать
- left_to_right - слева на право,
- right_to_left - справа на лево;

Пример

"read_dir":  {
"right_to_left": "href=\"/type/Манга\"", 
"left_to_right": "href=\"/type/Манхва\"" 
},

status [enum_detect] - статус манги
- unknown - неизвестен,
- ongoing - продолжается,
- complete - завершена,
- single - сингл,
- licensed - лицензирована/заблокирована,
- empty - пустая.

Пример Нахождения статуса для манги:

"status": { 
	"complete": { 
		"start" : "<b>Перевод:</b>",
		"end" : "</p>",
		"values" : ["завершен", "Переведена", "Сингл"]
	},
	"ongoing": {
		"start" : "<b>Перевод:</b>",
		"end" : "</p>",
		"value" : "продолжается"
	},
	"single" : "<b>Сингл</b>",
	"default" : "ongoing"
}

chapters_from_page [get_string] - загружать главы с другой страницы, начиная с версии 3.1.4.12 к chapters_from_page добавлен "next": [get_string] это ссылка на следующую страницу, то есть он последовательно будет ходить по страницам и собирать главы, например на многих сайтах используется по страничный вывод списка глав, для них список глав можно получать со страницы главы, там всегда есть выпадающий список всех глав.
chapters_from_pages [get_array] - парсит страницы с одной страницы, а потом главы из того что достал из одной страницы.
add_genre [get_string] - добавляем все жанры по одному,
add_genres [get_array] - добавляем жанры списком,
"content_type": {"default": "light_novels"}, - указать если вы хотите чтоб читалка переключилась на чтения книг fb2,epub,txt
add_chapter [add_href] - создаем список глав манги.

Если вам вдруг надо 2 разных manga_complete не проблема, ниже приведен пример "condition": "тут пишем на что будет срабатывать к примеру на слово Том",
"condition": "",обязательно так как он выступает по умолчанию

"manga_complete":[ {"condition": "Альтернативное:", "title": {"skip": "Русское:","token1": ">","token2": "</"} }, {"condition": "", "title": {"skip": "Английское:","token1": ">","token2": "</"} } ],

6) chapter_complete - функция формирования списка страниц главы манги.

add_page [get_string] - добавляем страницы по одной;
add_pages [get_array] - добавляем страницы списком;
add_images [get_array] - добавляем страницы списком, ссылками сразу на файлы сканов если использовать это то можно не использовать "page_complete" так как вы уже указали ссылки на сканы пример ниже;
images_url [get_string] - ;
postfix [string] - ;
prefix [get_string] -добавляет вставляемый перед результатом, ;
sufix [get_string] - добавляет вставляемый после результата;
remove_first [bool] - удаляем первую страницу из списка;
remove_last [bool] - удаляем последнюю страницу из списка;

чаще всего remove_firstи remove_last используеться чтоб удалить рекламные картинки
как любят некоторые сайты пихать их в читалку чаще иностранные !

примечание "start" и "end" обязательно использовать !

Совет можно использовать регулярные выражения чтоб собрать правильно разбитую ссылку на скан json "replace" : { "match" : "(.*?)','(.*?)',\"(.*?)\".*", "text" : "$2$1$3" }

Пример

"chapter_complete": {
	    "add_numeration": true,
	    "headers": {
			"Accept": "*/*",
			"Referer": "https://remanga.org/",
			"Accept-Language": "ru-RU,ru;q=0.9,en-US;q=0.8,en;q=0.7"
		},
	"add_images": {
			"start": "content",
			"token1": "link\":\"",
			"token2": "\"",
			 "end": "]"
		}
	},

7) page_complete - функция извлечения ссылки на файл скана страницы манги;

image [get_string] - извлечение ссылки на файл скана страницы;

Пример

"page_complete": {
		"image": { "skip": "<div class=\"maincontent_mr\">", "token1": "<img src=\"", "token2": "\"" }
	},

8) test - функция тестирования данного файла;

proc [string] - функция которую будем тестировать;
link [string] - ссылка на мангу/главу/страницу для формирования тестируемого объекта;
assert - данные с которыми будем сравнивать специфичные для тестируемых функций;

Сравнение значений
- Проверка текстовых значений
  - равно "author" : "OKU Hiroya"
  - регулярными выражениями, первый символ @ "image" : "@^http://\\w*\\.manga24\\.ru/manga/gantz/\\d*/\\d*\\.(png|jpg|jpeg)$"
- Проверка числовых значений
  - равно = "mangas_count" : "=460"
  - не равно != "pages_count" : "!=20"
  - больше > "mangas_count" : ">460"
  - меньше < "genres_count" : "<7"
  - больше или равно >= "mangas_count" : ">=460"
  - меньше или равно <= "genres_count" : "<=7"

Пример

"test": [
		{
			"proc" : "manga_list_complete",
			"assert" : {
				"mangas" : [
					{ "title" : "Gantz",  "link" : "http://manga.animea.net/gantz.html" },
					{ "title" : "Naruto", 
						"link" : "http://manga.animea.net/naruto.html",
						"uniq" : "naruto.html"
					}
				],
				"mangas_count" : ">12500"
			}
		},
		{
			"proc" : "manga_complete",
			"title" : "Bleach", 
			"link" : "http://manga.animea.net/bleach.html", 
			"assert" : {
				"author" : "KUBO TITE",
				"cover" : "http://s.animea.net/manga/thumbs200x275/42.jpg",
				"summary" : "@^(Ichigo Kurosaki has)",
				"genres" : "@action",
				"status" : "licensed",
				"rating" : ">=70",
				"genres_count" : ">=6"
			}
		},
		{
			"proc" : "chapter_complete",

			"link" : "http://manga.animea.net/gantz-chapter-383.html",
			"title" : "Gantz 383: Endpoint", 
			"assert" : {
				"pages" : [
					{ "link" : "http://manga.animea.net/gantz-chapter-383-page-4.html" },
					{ "link" : "http://manga.animea.net/gantz-chapter-383-page-31.html" }
				]
			}
		},
		{
			"proc" : "page_complete",
			"link" : "http://manga.animea.net/gantz-chapter-383-page-31.html",
			"assert" : {
				"image" : "http://162.210.197.229/b/395%2F383%2Fimg_31_59390.jpg"
			}
		}
	]

9) Типы полей

Простые типы

string - просто текстовое поле;
array - массив текстовых полей;
int - число в формате INT;
long - число в формате LONG;
bool - булевое поле;

Базовые методы парсера сайтов

replacer - замена подстроки

match [string] - заменяемый текст или регулярное выражение,
text [string] - вставляемый текст,
prefix [string] - текст вставляемый перед результатом,
sufix [string] - текст вставляемый после результата.

Пример

"replace" : { 
	"match" : "\\?.*", 
	"text" : "" 
}

"replace": [ {"match": "<.*>", "text": ""},{"match": "Главы", "text": "Глава"}] 
А вот так можно за раз использовать сразу 2  replacer

link_corrector - Заменяет в URL на указанную часть (должно работать в manga_complete но возможно и в других местах будет работать но не уверен)

match [string] - заменяемый текст,
text [string] - вставляемый текст,

Пример

"link_corrector": [    
{ "match" : "https://remanga.org/manga/", 
"text" : "https://api.remanga.org/api/titles/" }   ],

get_string - получение текстового значения (находящегося между token1 и token2) из документа

after [string] - курсор устанавливается перед найденным выражением,
skip [string] - курсор устанавливается после найденного выражения,
before [string] - выражение token1 ищется перед данным выражением,
tag [string] - ВНИМАНИЕ это не поиск по тегу! это позиционирование курсора по началу тега,
token1, token2 [string] - выражения между которыми находиться результат [обязательно],
replace [replacer] - конвертирование результата,
details [bool] - логгирование [debug].

Пример

author: { 
	"after": "<a href=\"/list/author/", 
	"token1":"\">", 
	"token2": "</a>" 
}

detect - проверка наличия выражения в документе

start [string] - выражение начала окна,
end [string] - выражение окончания окна,
pattern [string] - искомое выражение,
patterns [array] - массив искомых выражений.

enum_detect - специфический набор detect'ов с возможностью указать значение по умолчанию - default

Пример Нахождения статуса для манги:

"status": { 
	"complete": { 
		"start" : "<b>Перевод:</b>",
		"end" : "</p>",
		"values" : ["завершен", "Переведена", "Сингл"]
	},
	"ongoing": {
		"start" : "<b>Перевод:</b>",
		"end" : "</p>",
		"value" : "продолжается"
	},
	"single" : "<b>Сингл</b>",
	"default" : "ongoing"
}

get_array - получение списка строк. Если указан split то первое выражение найденное между token1 и token2 будет разделено по выражению split, Если split не указан то список строк будет формироваться вырезанием всех найденых строк между token1 и token2.

start [string] - выражение начала окна,
end [string] - выражение окончания окна,
after [string] - выражение смещение курсора,
split [string] - выражение по которому нужно нарезать найенное значение,
token1, token2 [string] - выражения между которыми находиться результат [обязательно],
replace [replacer] - конвертирование результата,
details [bool] - логгирование [debug];

Пример 1 Результатом будет список всех элементов перечисленных через запятую в элементе "span".

{ 
"split": ",",
"token1": "Жанр:</b>",
"token2": "</"
},

Пример 2 Результатом будет список всех элементов списка.

{
	"start": "<ul>", 
	"end": "</ul>", 
	"token1": "<li>", 
	"token2":"</li>"
}

add_href - Получение списка ссылок на манги/главы

title - название, 
link - ссылка, 
uniq - уникальное значение части пути для формирования папки **[не обязательно]**.

start [detect] - выражение начала окна,
end [detect] - выражение окончания окна,
next [detect] - выражение смещения курсора поиска,
link [get_string] - получение ссылки,
title [get_string] - получение названия,
uniq [get_string] - получение уникального идентификатора, если не указан то формируется из link последний сегмент пути,
details [bool] - логгирование [debug].

get_iterator - итератор значений, служит для формирования списка ссылок.

base_url [string] - базовый url,
append_nums - описание цикла для получения списка url, сформированных как base_url + %index% + sufix
- from [int]
- to [int]
- step [int]
- sufix [string]
append_array [array] - массив значений для формирования списка url, сформированных как base_url + %value%

Пример Формируем список ссылок вида: https://mintmanga.live/list?offset=0, https://mintmanga.live/list?offset=60, https://mintmanga.live/list?offset=120...

"iterator": {
	"base_url": "https://mintmanga.live/list?offset=",
	"append_nums": { "from": 0, "to": 6300, "step": 60 }
},

10) Отладка

nigma.jar - консольное java приложение для отладки парсера
test, test.bat - запускаемые скрипты (обертки над nigma.jar) для MacOs и Windows
site_parsers.sublime-project - заготовка проекта для SublimeText упрощающая процесс отладки

Приложение на выходе выдает отчет о прохождении тестов + логги работы если они включены (details : true) для всех методов. Чтобы вывести результаты работы методов нужно запускать приложение с одинм из ключей: [manga_list_complete], [manga_complete], [chapter_complete], [page_complete].

Запуск тестов для сайта manga24

$./test manga24.json

configuaration ok
1. success( 0,4s)
2. disabled( 0,0s)
3. manga_list_complete .............success(10,6s)
4. manga_complete success( 0,7s)
5. chapter_complete success( 0,1s)
Count: 5
Success: 5
Error: 0
Time: 11,8s
Result: 100,0%

Вывод результатов работы метода "chapter_complete" в консоль

$java -jar nigma.jar manga24 [chapter_complete] http://manga24.ru/goodending/003/

Chapter link: http://manga24.ru/goodending/003/
Chapter complete ok!
{
    "first_three_pages": [
        {"image": "http://img7.manga24.ru/manga/goodending/003/001.jpeg"},
        {"image": "http://img7.manga24.ru/manga/goodending/003/002.jpeg"},
        {"image": "http://img7.manga24.ru/manga/goodending/003/003.jpeg"}
    ],
    "link": "http://manga24.ru/goodending/003/"
}
time: 280ms

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Home

Тут все что может вам понабиться

Как устроен парсер для MangaWatcherX

1) Поля заголовка парсера

2) Онлайн поиск по сайту по ключевому слову

3) Функция авторизации

4) Методы формирования БД манги для создания каталога

5) manga_complete - Функция формирования полной информации по манге;

6) chapter_complete - функция формирования списка страниц главы манги.

7) page_complete - функция извлечения ссылки на файл скана страницы манги;

8) test - функция тестирования данного файла;

9) Типы полей

Простые типы

Базовые методы парсера сайтов

10) Отладка

Clone this wiki locally