Dotaz: HTML Parser

[pele]

Zdravim vsechny, mam takovy maly problem, potreboval bych parsovat html. Problem je nasledujici, mam text s html znackami a chtel bych z textu ziskat, napriklad prvni odstavec uzavreny v <p></p> nebo koncici <br>. Jak na to, vim o existenci HTMLparseru ale moc jej neznam, hodilo by se nejake HOWTO, tutorial nebo priklady, na domovskych strankach toho moc neni, jen APIDoc. Takze pokud nekdo o necem vi dejte to pls do diskuze. Dik za rady.

Odpovědi

[Lukáš Zapletal]

Zkus JTidy, nejlépe se umí vypořádat se špatným HTML a poskytuje DOM API.

[pele]

Problem je v tom, ze musi byt pouzit htmlparser

[Lukáš Zapletal]

Vy jste se na JTidy ani nepodíval, že? JTidy *JE* HTML parser, který umí taky HTML zkrášlit. Je ze všech zde zmiňovaných nejlepší co se týče vypořádání se s nevalidním HTML, navíc je malý a má jednoduché API.

[Filip Jirsák]

O jaký programovací jazyk se jedná?

Pro C existuje Tidy, pro Javu JTidy – oba umí převést dokument na XHTML a pak už můžete pracovat s DOM a XPath. Dále pro Javu existuje např. htmlparser, dobrou zkušenost mám s NekoHTML.

[pele]

Jedna se o Javu. Stacilo by par prikladu nebo tutorial na problem popsany vyse. Ale musi to byt htmlParser.

[thingie]

Ukázka jeho použití je třeba přímo ve zdrojácích ábíčka. Ale je to dost jednoduché.

[Filip Jirsák]

Zatím vše zde v diskuzi uvedené jsou html parsery. Příklad na použití NekoHTML:

import org.cyberneko.html.parsers.SAXParser;
…
SAXParser parser = new SAXParser();
    parser.setFeature("http://cyberneko.org/html/features/scanner/script/strip-comment-delims", true);
    parser.setFeature("http://cyberneko.org/html/features/scanner/style/strip-comment-delims", true);
    parser.setProperty("http://cyberneko.org/html/properties/names/elems", "lower");
    parser.setProperty("http://cyberneko.org/html/properties/names/attrs", "lower");
    parser.setProperty("http://cyberneko.org/html/properties/default-encoding", "windows-1250");

Nyní máte v parser klasický SAXParser, který implementuje org.xml.sax.Parser i org.xml.sax.XMLReader.

[Filip Jirsák]

Ještě jeden: Jericho HTML Parser.