問題タブ [html-parsing]

基本的にdivのリストである文字列にhtmlのブロックがあります...各divには、個別に解析したいhtmlが含まれています。

最初のdivをループする方法を正確に理解するのに問題があります。

誰か助けてもらえますか？

htmlの例：

この例では、最終的なコードが4回ループし、各divの内容を提供することを期待しています。

私はc＃.Netで作業しています

質問があります、

で Xml ファイルを読み込んXDocument.xDoc.Load(file)でいますが、コンテンツに xml タグもあるために失敗します。

例：<root><abc><deg></abc></root>

私の問題は、関数が一致する " " なしで Xml タグとしてLoad扱うことです...<deg></deg>

私の質問は、「deg」の「<」と「>」を一致する「<" " >」に最も簡単な方法で置き換えるにはどうすればよいですか?

注意: 私のファイルは非常に大きく、タグがたくさんあります...

ありがとう！

JCLRegEx で Delphi を使用しており、Google 検索からすべての結果 URL を取得したいと考えています。HackingSearch.com を見たところ、正しく見える RegEx の例がありますが、試してみると結果が得られません。

私はそれを次のように使用しています：

正規表現はhackingsearch.comで入手できます。

TPerlRegEx をインストールするたびに 2 つの競合が発生するため、Delphi Jedi バージョンを使用しています...

1. 表示している Web ページに興味があります。
2. 「view--page source」を使用して、html を含むウィンドウを取得します。

3. これを切り取ってメモ帳++に貼り付けます。

4. 空白を追加して手動で解析し、読みやすくします。

最後のステップを実行するためのより良い方法はありますか? このプロセスを自動化し、ユーザーにソース ファイルの読み取り可能なバージョンを提供する何かが書かれていることを願っています。

助けてくれてありがとう。

-明細書

（私は同様の質問を見ましたが、それらのどれも私の特定のニーズに応えていないと思います、それ故に...）

実世界の（不完全な、形式の悪い）HTMLを分析するためのJavaライブラリーがあるかどうか知りたいのですが。分析とは、次のようなことを意味します。

• HTMLチャンクで最も目立つ色を見つけ出す
• その色を他の色に変更する（したがって、HTMLの変更もサポートする必要があります）
• 不要なタグの削除
• HTMLを修正して、整形式のHTMLスニペットを作成します

最後の2つの部分は、JerichoやjTidyなどのライブラリによって実行されます。これらの上にある「プラグイン」は素晴らしいでしょう。

前もって感謝します！

私はワードアンスクランブラーをプログラミングしてきました。タグのグループと別のグループの間の情報を解析し、すべての一致を配列に入れる必要があります。開始タグは次のとおりです。

終了タグは次のとおりです。

私はいくつかの正規表現を知っていますが、PHPに慣れていません。

索引付けの目的で HTML ファイルからテキストを引き出し、できるだけ早くそれを行いたいと考えています。ゼロから作るのではなく、自分がどれだけできているかを知りたいです。

現在、動作する html2text の出力をパイプ処理しているだけですが、Python であることとテキストをきれいにしようとすることの間で、速度が改善される可能性があると確信しています。

では、Linux/unix が優先される場合、この種のタスクに最適な (c/c++) ライブラリはどれでしょうか?

通常、HTML 解析のニーズにlxmlを使用しますが、Google App Engine では利用できません。明らかな代替手段はBeautifulSoupですが、不正な形式の HTML では簡単に詰まることがわかりました。現在、 libxml2domをテストしており、より良い結果が得られています。

最高のパフォーマンスを発揮する純粋な Python HTML パーサーはどれですか? 私の優先事項は、速度よりも悪い HTML を処理できることです。

私は自分の仕事で多くの HTML 解析を行っています。これまでは、解析とブラウザーの自動化に HtmlUnit ヘッドレス ブラウザーを使用していました。

ここで、両方のタスクを分離したいと思います。

HtmlUnit では最初にページをロードし、次にソースを取得して解析するのに時間がかかるため、軽い HTML パーサーを使用したいと考えています。

どの HTML パーサーが HTML を効率的に解析できるか知りたいです。私は欲しい

1. スピード
2. 「id」、「name」、または「tag type」によって HtmlElement を簡単に見つけることができます。

汚れた HTML コードをきれいにしなくても、私にとっては問題ありません。HTML ソースをきれいにする必要はありません。HtmlElements 間を移動し、そこからデータを収集する最も簡単な方法が必要なだけです。

コードは、この問題を私よりもはるかにうまく説明できます。これを行うために試みた別の方法も含めました。可能であれば、これらの他の方法も機能しなかった理由を説明してください。残念ながら、HtmlAgilityPack の例はあまりありません。私は現在、より多くのアイデアを探してドキュメントを調べています。

私が気づいたことの 1 つは .nextSibling プロパティで、次の兄弟またはフォームの終わりが見つからなくなるまで、while ループを使用してフォームを処理できると考えていました。

とにかく、ここにコードがあります：