Monazilla/develop/dat

提供:5ちゃんねるwiki
2015年2月17日 (火) 04:40時点における本郷九丁目 (トーク | 投稿記録)による版
(差分) ← 古い版 | 最新版 (差分) | 新しい版 → (差分)
ナビゲーションに移動 検索に移動


最新情報

Monazilla/develop#最新情報 をご覧ください。

datの仕様

取得

/board/dat/0000000000.dat にファイルが置かれています。
この0は、実際はスレッド作成日時のUNIXタイムで、subject.txtを読むことで調べられます。

基本的なアクセス方法はmonazilla/develop/accessを参照してください。
User-Agentには特に注意が必要です。
MSIE 6が含まれていると、以下のようなXMLっぽい情報が付加されていることがあります。

<?xml version="1.0" encoding="Shift_JIS"?>
 <text><![CDATA[
 元々のdat内容
 ]]></text>

形式

名前<>E-mail<>日付とIDとBE<>本文<>スレッドタイトル
 名前<>E-mail<>日付とIDとBE<>本文<>
 名 </b>fusianasan.2ch.net<b>前<>E-mail<>日付とIDとBE<>本文<>
 名前 </b>◆ozOtJW9BFA <b><>E-mail<>日付とIDとBE<>本文<>
 キャップ ★<>E-mail<>日付とIDとBE<>本文<>
 名前 </b>◆ozOtJW9BFA <b>@キャップ ★<>E-mail<>日付とIDとBE<>本文<>
 あぼーん<>あぼーん<>あぼーん<>あぼーん<>あぼーん
 ...

スレッドタイトルは、1にしか書かれません。
ただし、削除跡(レス削除、スレ停止、スレ移動)等では、スレッドタイトル部分にも削除表示があります。

比較的最近にスレ立てされたものは、1に書かれるスレッドタイトルの直後にタブコード\tが増えています。
また、板によってはスレを立てた者のBE-IDが追加情報として付与されています。

名前<>E-mail<>日付とIDとBE<>本文<>スレッドタイトル 
名前<>E-mail<>日付とIDとBE<>本文<>スレッドタイトル  [BE-ID]

用語の定義

以下のために用語の定義をしておくと、 <を&lt;とする方法をHTMLエンコードとします。

文字 a < & > "
HTMLエンコード a &lt; &amp; &gt; &quot;

HTMLエンコードは、全ての欄で < と >、名前・メール・本文で " を変換しているようです。
そのことを利用したAAなどもありますから、できることなら
特殊文字(&hearts;など)や実態参照(&#ddや&#xff;など)も
理解できるようにしておきましょう。

規則

文字コードは通常ではShift_JIS。
改行コードは\n。
投稿者が記入したものはHTMLエンコードされています。

名前

read.cgiでは、名前を太字で表示するためにBタグを付加しますが、
datでは単純な名前のみの記録です。

fusianasan等のホスト表示では、手入力の文字列と区別するために、
太字ではなく通常表示となっており、ホストの前に</b>で太字を終わらせ、
ホストの後に<b>で再び太字にしています。
このタグはdatに記録されています。

◆という文字があれば、それ以降の10文字(古い投稿では8文字)はトリップです。
トリップも通常表示とするために、同様に</b>と<b>で挟まれています。

普通に文字として◆を書くと、◇にされてしまいます。
同様に、★と●も特殊な条件の人しか使えず、☆と○にされます。

E-mail

AタグのHREF属性の値として使われる事が多いかと思いますが、スペースや
シングルクォートはHTMLエンコードされずに、そのまま書き込めることに注意しましょう。

日付とID等

IDが付く板の場合、日付のあとにID:xxxxxxxxのようにIDが付いてきます。
なぜかまとめて格納されていますが、
おそらく、IDは後から追加されたデータなので、
過去のブラウザを修正しなくてもいいように、配慮したのではないかなと。

また、2004/12あたりから、BE@2ch掲示板のプロファイルが追加されました。
IDの後に空白で連結されて、BE:xxxxxxのようになります。

このまま使っても問題は起きないと思いますが、分割するには、
" ID:"(先頭に空白が1つあります)という文字列を探して、
見つかったなら、それより前は日付、後はIDとすればいいです。
見つからなければ、IDはありません。BEも同様です。

日付について少し加えると、いろいろな書き方があるようです。
古いものから順にあげていくと、、

YYYY/MM/DD(W) hh:mm
YY/MM/DD hh:mm
YY/MM/DD hh:mm:ss

Y: 年
M: 月
D: 日
W: 曜日 (漢字で1文字)
h: 時間 (24時間)
m: 分
s: 秒

現在では、日付の書式も掲示板設定で変えられるようになっており、
既定通りの記録がなされているとは限りません。
その他、今後も様々なオマケデータがここに付加される可能性があるので、
データの解釈に柔軟性を持たせるのが良いかもしれません。

本文

改行は<br>になっているので、
適切な改行コードになおすなどしてください。

そうすると、複数の行になると思われますが、
その各行の前後に、空白が1つ付いているのが分かるかと。
これは文字コードの関係で、>や<が各行の内容に飲み込まれて解釈されるのを防止するためで、
普通は、以下のようになっています。

" 1行目 "
" 2行目 "
" 3行目 "
...

↑で普通は、と書きました。
それは、おそらくバグだろうと思いますが、
変なログが、まれに、まぎれ込んでいるからです。
具体的には/unix/1000022300/143で、以下のような形をしています。

" 1行目"
"2行目"
...
"最後の行 "

見れば分かりますが、最初と最後にしか、空白がついていません。

未稿

http://pc5.2ch.net/test/read.cgi/tech/1057329161/188

188 : ◆ap/yuix/tw :05/01/16 18:22:47
 dat取得の仕様 
 
 hoge.2ch.net鯖のhogehoge板のキーが1234567890のスレッド(http://hoge.2ch.net/test/read.cgi/1234567890/)を取得する場合 
 
 (1)http://hoge.2ch.net/hogehoge/dat/1234567890.datを取得 
 (2)http://hoge.2ch.net/hogehoge/kako/1234/12345/1234567890.dat.gzを取得 
 (3)http://hoge.2ch.net/hogehoge/kako/1234/12345/1234567890.datを取得 
 (4)●がある場合 offlaw.cgiを使用 
 
 (1)から(4)まで、302 Foundになるたびに次に進む