Article View: alt.pl.comp.lang.csharp
Article #21924Re: HTML parser
From: Macko
Date: Wed, 22 Dec 2010 11:59
Date: Wed, 22 Dec 2010 11:59
28 lines
2754 bytes
2754 bytes
On 22 Gru, 10:27, Łukasz 'Maly' Ostrowski <m...@USUNnemo.pl> wrote: > On Wed, 22 Dec 2010 01:01:17 -0800 (PST), Macko wrote: > > >>> Ja tam był HTMLa potraktował jak XMLa i chyba XPath powinien elegancko > >>> zadziałać. Do wyciągania np. linków ze strony HTMLowej używam także > >>> RegExpa. > > >> To chyba tylko pod warunkiem, że to jest XHTML. > > > Dla RegExpa napewno nie ma znaczenia czy jest obrabiany ciąg znaków > > jest (x)html, xmlem czy czymś jeszcze innym. Z XPathem też nie widzę > > większych problemów. > > Grzegorz ma na myśli sytuację kiedy "XHTML" jest > ill-formed XML'em, jakiś <br> niedomknięty lub inny > robaczek i XmlDocument go nie załaduje, tym samym > użycie XPath jest niemożliwe. > > A taka sytuacja ma miejsce bardzo bardzo często ;-). Ok, ja pomyślałem o najbardziej optymistycznej wersji czyli poprawnie sformowanym (X)HTMLu. Nie mniej jednak RegExp poradzi sobie znakomicie. > > -- > Pozdrawiam, > Łukasz 'Maly' Ostrowski. http://l3v.eu/
Technical Details
Message-ID:
<e89aaa57-9860-4f27-8735-05bc0e0545ab@q18g2000vbk.googlegroups.com>Path:
mbox-mo1.pugleaf.net!news-archive.icm.edu.pl!news.icm.edu.pl!plix.pl!newsfeed1.plix.pl!goblin2!goblin.stu.neva.ru!xlned.com!feeder5.xlned.com!feeder2.cambriumusenet.nl!feed.tweaknews.nl!209.197.12.242.MISMATCH!nx01.iad01.newshosting.com!newshosting.com!216.196.98.146.MISMATCH!border3.nntp.dca.giganews.com!border1.nntp.dca.giganews.com!nntp.giganews.com!postnews.google.com!q18g2000vbk.googlegroups.com!not-for-mailReferences:
<ieq3op$60v$1@news.onet.pl> <11604925-8d09-4cdd-b06d-2acd69033dfb@l7g2000vbv.googlegroups.com> <ieq74a$gqr$2@news.onet.pl> <827602be-4146-4392-8f61-e63241251d72@r16g2000prh.googlegroups.com> <ieqk13$rsf$1@news.dialog.net.pl> <49fa5d79-5365-44dc-9791-05d0934ff3ef@d8g2000yqf.googlegroups.com> <48tlz72exml0$.1j1x5xvdmsayk$.dlg@40tude.net>Show Full Headers
Complete Article Headers
Path: mbox-mo1.pugleaf.net!news-archive.icm.edu.pl!news.icm.edu.pl!plix.pl!newsfeed1.plix.pl!goblin2!goblin.stu.neva.ru!xlned.com!feeder5.xlned.com!feeder2.cambriumusenet.nl!feed.tweaknews.nl!209.197.12.242.MISMATCH!nx01.iad01.newshosting.com!newshosting.com!216.196.98.146.MISMATCH!border3.nntp.dca.giganews.com!border1.nntp.dca.giganews.com!nntp.giganews.com!postnews.google.com!q18g2000vbk.googlegroups.com!not-for-mail From: Macko <maciej_rychter@o2.pl> Newsgroups: alt.pl.comp.lang.csharp Subject: Re: HTML parser Date: Wed, 22 Dec 2010 03:59:19 -0800 (PST) Organization: http://groups.google.com Lines: 32 Message-ID: <e89aaa57-9860-4f27-8735-05bc0e0545ab@q18g2000vbk.googlegroups.com> References: <ieq3op$60v$1@news.onet.pl> <11604925-8d09-4cdd-b06d-2acd69033dfb@l7g2000vbv.googlegroups.com> <ieq74a$gqr$2@news.onet.pl> <827602be-4146-4392-8f61-e63241251d72@r16g2000prh.googlegroups.com> <ieqk13$rsf$1@news.dialog.net.pl> <49fa5d79-5365-44dc-9791-05d0934ff3ef@d8g2000yqf.googlegroups.com> <48tlz72exml0$.1j1x5xvdmsayk$.dlg@40tude.net> NNTP-Posting-Host: 80.94.182.137 Mime-Version: 1.0 X-Trace: posting.google.com 1293019159 24293 127.0.0.1 (22 Dec 2010 11:59:19 GMT) X-Complaints-To: groups-abuse@google.com NNTP-Posting-Date: Wed, 22 Dec 2010 11:59:19 +0000 (UTC) Complaints-To: groups-abuse@google.com Injection-Info: q18g2000vbk.googlegroups.com; posting-host=80.94.182.137; posting-account=0cTB9goAAAB7t_2APYrUFcRoIbYIHqOb User-Agent: G2/1.0 X-HTTP-Via: 1.1 webwasher (Webwasher 6.8.7.8378) X-HTTP-UserAgent: Mozilla/5.0 (Windows; U; Windows NT 5.1; pl; rv:1.9.2.12) Gecko/20101026 Firefox/3.6.12 ( .NET CLR 3.5.30729),gzip(gfe) Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit