У меня есть массив, состоящий из подмассивов, содержащих [имя_страницы, URL-адрес и идентификатор] в dirty_pages. Этот массив содержит повторяющиеся подмассивы.
Мне нужно разобрать каждый subarray
в dirty_pages
на clean_pages
так, чтобы:
нет дубликатов (повторяющийся подмассив)
1st index
в подмассиве, т.е. URL-адрес должен быть уникальным! Например, этот URL-адрес должен считаться одним (url/#review
остается тем же URL-адресом):
file:///home/joe/Desktop/my-projects/FashionShop/product.html#review
и
file:///home/joe/Desktop/my-projects/FashionShop/product.html
Моя текущая попытка возвращает clean_pages
с 6 подмассивами (дубликаты!), В то время как правильный ответ должен быть 4
# clean pages
clean_pages = []
# dirty pages
dirty_pages = [
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/joe/Desktop/my-projects/FashionShop/index.html', '1608093980462.042'],
['Put a Sock in It Heel Boot | Nasty Gal', 'file:///home/joe/Desktop/my-projects/FashionShop/nastygal-product.html', '1608093980462.042'],
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/joe/Desktop/my-projects/FashionShop/index.html', '1608093980462.042'],
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/joe/Desktop/my-projects/FashionShop/index.html', '1608093980462.042'],
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/joe/Desktop/my-projects/FashionShop/product.html', '1608093980462.042'],
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/joe/Desktop/my-projects/FashionShop/product.html#review', '1608093980462.042'],
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/joe/Desktop/my-projects/FashionShop/product.html#review', '1608093980462.042'],
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/joe/Desktop/my-projects/FashionShop/index.html', '1608093980462.042'],
['Put a Sock in It Heel Boot | Nasty Gal', 'file:///home/joe/Desktop/my-projects/FashionShop/nastygal-product.html', '1608093980462.042'],
['ICONIC EXCLUSIVE - Game Over Drop Crotch Track Pants - Kids by Rock Your Kid Online | THE ICONIC | Australia', 'file:///home/joe/Desktop/my-projects/FashionShop/iconic-product.html', '1608093980462.042'],
['Put a Sock in It Heel Boot | Nasty Gal', 'file:///home/joe/Desktop/my-projects/FashionShop/nastygal-product.html', '1608093980462.042'],
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/shahyan/Desktop/my-projects/FashionShop/index.html/#review', '1608093980462.042'],
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/shahyan/Desktop/my-projects/FashionShop/index.html/?123', '1608093980462.042'],
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/shahyan/Desktop/my-projects/FashionShop/index.html/', '1608093980462.042'],
]
# clean data - get unique pages for each session
for j in range(len(dirty_pages)):
page_name = dirty_pages[j][0]
page_url = dirty_pages[j][1]
page_sessionId = dirty_pages[j][2]
not_seen = False
if len(clean_pages) == 0:
clean_pages.append([page_name, page_url, page_sessionId])
else:
for i in range(len(clean_pages)):
next_page_name = clean_pages[i][0]
next_page_url = clean_pages[i][1]
next_page_sessionId = clean_pages[i][2]
if page_url != next_page_url and page_name != next_page_name \
and page_sessionId == next_page_sessionId:
not_seen = True
else:
not_seen = False
if not_seen is True:
clean_pages.append([page_name, page_url, page_sessionId])
print("$$$ clean...", len(clean_pages))
# correct answer should be 4 - as anyting after url e.g. #review is still duplicate!
ПРИМЕР ОБНОВЛЕНИЯ. Приносим извинения, если пример неясен (точно так же, как # после URL-адреса, их следует рассматривать как один URL-адрес)
'file:///home/joe/Desktop/my-projects/FashionShop/index.html/'
'file:///home/joe/Desktop/my-projects/FashionShop/index.html/?123'
'file:///home/joe/Desktop/my-projects/FashionShop/index.html'
Вы можете сделать:
for j in dirty_pages:
page_name = j[0]
long_url = j[1]
split_url = long_url.split('#')
short_url = split_url[0]
page_sessionID = j[2]
edited_subarray = [page_name, short_url, page_sessionID]
if edited_subarray not in clean_pages:
clean_pages.append(edited_subarray)
Если вам не нужно сохранить часть URL-адреса «#review» в вашем списке clean_pages.
Возможно, вы захотите отобразить предупреждение, если '/' in split_url[1]
Пожалуйста, проверьте рассматриваемый пример обновления. URL-адрес по-прежнему дублируется, если есть что-то еще после /, то есть «../index.html/?123» и «.../index.html/#review» должны считаться уникальными
Моей единственной другой мыслью было бы разделить ('.html') вместо ('#').
Вы можете использовать furl для нормализации URL.
from furl import furl
# Iterate over each page - subarray
for page in dirty_pages:
# normalize url
page[1] = furl(page[1]).remove(args=True, fragment=True).url.strip("/")
# check if subarray already in clean_pages
if page not in clean_pages:
clean_pages.append(page)
Это частично верно, например, #review after url, ваш ответ дублирует URL-адрес с / в конце, например. '.../index.html/' и '../index.html/?123' и '../index.html' также остаются одним и тем же URL-адресом. См. пример в вопросе (просто для ясности)
Обновлен ответ для обработки случаев, как в новом примере.
Я думаю, что по сути эта проблема сводится к тому, что существует уникальный URL-адрес. Если это так, то предыдущий способ проверки немного усложнен, и результаты, которые вы получали, сводились к простому добавлению первого элемента уникального имени. Следовательно, 6, однако, кажется, вам нужен уникальный URL.
Чтобы решить проблему #, я просто разделил URL вокруг хэштега и взял первую его часть. Обратите внимание, что будет получена только первая часть строки перед хэштегом. Так что это может вызвать проблемы, если их больше 1 #.
я тоже немного почистил
# clean pages
clean_pages = []
# dirty pages
dirty_pages = [
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/joe/Desktop/my-projects/FashionShop/index.html', '1608093980462.042'],
['Put a Sock in It Heel Boot | Nasty Gal', 'file:///home/joe/Desktop/my-projects/FashionShop/nastygal-product.html', '1608093980462.042'],
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/joe/Desktop/my-projects/FashionShop/index.html', '1608093980462.042'],
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/joe/Desktop/my-projects/FashionShop/index.html', '1608093980462.042'],
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/joe/Desktop/my-projects/FashionShop/product.html', '1608093980462.042'],
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/joe/Desktop/my-projects/FashionShop/product.html#review', '1608093980462.042'],
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/joe/Desktop/my-projects/FashionShop/product.html#review', '1608093980462.042'],
['Fashion Shop | Free Bootstrap Themes by 365Bootstrap.com', 'file:///home/joe/Desktop/my-projects/FashionShop/index.html', '1608093980462.042'],
['Put a Sock in It Heel Boot | Nasty Gal', 'file:///home/joe/Desktop/my-projects/FashionShop/nastygal-product.html', '1608093980462.042'],
['ICONIC EXCLUSIVE - Game Over Drop Crotch Track Pants - Kids by Rock Your Kid Online | THE ICONIC | Australia', 'file:///home/joe/Desktop/my-projects/FashionShop/iconic-product.html', '1608093980462.042'],
['Put a Sock in It Heel Boot | Nasty Gal', 'file:///home/joe/Desktop/my-projects/FashionShop/nastygal-product.html', '1608093980462.042'],
]
used_url = []
used_names = []
# clean data - get unique pages for each session
for page in dirty_pages:
page_name = page[0]
page_url = page[1].split('#')[0]
page_sessionId = page[2]
if page_url not in used_url:
used_url.append(page_url)
clean_pages.append(page)
print(clean_pages)
print("$$$ clean...", len(clean_pages))
Пожалуйста, проверьте рассматриваемый пример обновления. URL-адрес по-прежнему дублируется, если есть что-то еще после /, то есть «../index.html/?123» и «.../index.html/#review» должны считаться уникальными
Предложение: 1) Напишите функцию
clean_url
, которая принимает URL-адрес и выводит стандартную форму для этого URL-адреса (например, удаление#review
) 2) Используйте pythonset
для хранения ваших URL-адресов, поэтому дубликаты автоматически обрабатываются.