Czym parsować HTML/XHTML? Opcje

[ignition]

Czym parsować HTML/XHTML?? Chciałbym zrobić edytor stron, które już istnieją (np. o2.pl ).
Tak aby załadować każdą stronę, nawet, te które są niezgodne ze standardami - w takim przypadku większość. Najlepiej, bybyło, aby parser nie ładował struktóry strony do pamięci, ponieważ źle później ją składa.
Próbowałem bezskutecznie z:
- Dom z opcją loadHtml (miejwięcej idzie, ale tylko miejwięcej:P - czyli błędnie )
- Simplexml (nic nie daje )
- wyższe opcje z poprawieniem strony w tidy (czasami na oko wygląda dobrze, ale tylko czasami - czyli nic to nie daje )
Proszę o pomoc!!!

Ten post edytował ignition 12.11.2005, 19:12:28

[dr_bonzo]

Do HTML dolaczyli XML tworzac XHTML co pozwala na latwiejsze parsowanie takich dokumentow, parsery odrzucaja dokumenty, ktore nie sa poprawnymi plikami XML (patrz prawie kazdy HTML). Brudny (untidy) html jest trudny w parsowaniu -- parser musi sie domyslac co tworca kodu mial na mysli, musi poprawiac jego bledy (ale jak??). Wniosek -- parsowanie brudnego HTMLa jest trudne.

W jaki sposob chcesz edytowac te strony? Nie wystrczy ci podglad kodu?

[ignition]

Wiem o tym i dlatego potrzebuje parsera, który nie będzie wczytywał struktóry do pamięci (dzięki temu nie zmodyfikuje zbytnio kodu), lecz będzie odnajdywał element (które są znacznikami html/xhtml) posiadające tekst ( np: <p>tekst</p> ).
Gdy odnajdzie taki element przykładowo zmieni ten tekst na formularz lub dołączy odnośnik do strony, w której będzie można zedytować te dane.
Po drugie nie wystarczy mi podgląd kodu ponieważ ten skrypt ma być stosowany przez takich co się na html/xhtml nie znają lub takich co chcą szybko zmienić swoją stronę.

[060156]

Tutaj masz przyklad kodu:

[PHP] pobierz, plaintext 
<?php
   $html = stripslashes($html);
	$a=preg_split('/<(.*)>/U',$html,-1,PREG_SPLIT_DELIM_CAPTURE);
	foreach($a as $i=>$e)
	{
		if($i%2==0)
		{
			//Text
		}
		else
		{
			//Tag
			if($e{0}=='/')
				$this->CloseTag(strtoupper(substr($e,1)));
			else
			{
				//Extract attributes
				$a2=explode(' ',$e);
				$tag=strtoupper(array_shift($a2));
				$attr=array();
				foreach($a2 as $v)
					if(ereg('^([^=]*)=["']?([^"']*)["']?$',$v,$a3))
						$attr[strtoupper($a3[1])]=$a3[2];
				$this->OpenTag($tag,$attr);
			}
		}
	}
}
 
 
function OpenTag($tag,$prop)
{   //Opening tag
 }
 
function CloseTag($tag)
{
	//Closing tag
}
?>
[PHP] pobierz, plaintext 

prosze uzywac tagów php
aleksander

[romek04]

Zobacz tutaj:
http://www.scrapingsystems.com/

pozdrawiam
romek