一个稍微有点难度的问题：如何做HTML语法分析？

popcorn 2003-07-24 09:58:40

比如我要提炼出一个HTML文件中有多少个图片，多少个TABLE，多少个JS函数，多少个超级连接等等，然后还可以将超级连接提炼出来保存到数据库中去。象FP和DW的可视化编辑器都是如何提炼语法的？我试了很多正则表达式都很难达到理想效果，不知道哪里有好的算法去提取HTML中的标记？

提供思路、算法或者参考资料都给分。

...全文

111 14 打赏收藏举报

写回复

14 条回复

切换为时间正序

请发表友善的回复…

发表回复

杨东明 2003-07-26

打赏
举报

【利用 Microsoft 的 HTML 分析器来获得 Web 站点的数据】

http://www.microsoft.com/china/msdn/workshop/scrape.asp#top

看看就知道怎么做了，我想这样做才是最好的解决方案

大家一起学习....

dotnba 2003-07-26

打赏
举报

听课

ArLi2003 2003-07-26

打赏
举报

那用正则匹配就是了

popcorn 2003-07-26

打赏
举报

楼上的理解错了，我要做的是字符串分析，不是用JS显示给客户看。
我想用正则表达式应该是最简单的了，思归给的参考方法也很不错。

ArLi2003 2003-07-26

打赏
举报

var images = document.all.tags("IMG");
for (var iImgCounter = 0; iImgCounter < images.length; iImgCounter++) {
var imgTmp = images(iImgCounter);
var urlTmp = imgTmp.href;

.....

panyee 2003-07-25

打赏
举报

其实每个生成的html页面都可以把它们提炼成一个xml文件, 你就寻找此文件中是否包含了<A>,
<TABLE> 这种标签的字符串, 取得它们的内容,

起始位置就是"<A...", 结束位置就是再找到一个"/A>"

然后再分析<a 里面的各个属性的名称和值,,

做起来也很有意思

可惜偶有其它东东要忙

erigido 2003-07-25

打赏
举报

学习

xixigongzhu 2003-07-25

打赏
举报

知道csc干嘛的把，它有个过程是词法分析器分析词法。
实际上html也是门语言，它也有词法分析器，如果不闲麻烦，可以做个简单点的词法分析器，来实现你的这些功能，这也不是很难的，只是有点麻烦。

正则表达式的话只要你的表达式精确，应该是没有问题的。

liduke 2003-07-25

打赏
举报

正则表达式中不是有分组和命名捕获字符串有匹配这项吗？我觉得应该可行。
如从 URL 提取协议和端口号
String Extension(String url)

{

Regex r = new Regex(@"^(?<proto>\w+)://[^/]+?(?<port>:\d+)?/",

RegexOptions.Compiled);

return r.Match(url).Result("${proto}${port}");

}

rqxiang 2003-07-25

打赏
举报

popcorn 2003-07-25

打赏
举报

如果碰到都是规则的HTML代码还好,要是碰到写的不很规范的(但是你不能说有错),分析起来难度就大多了.不知道大家有什么好的建议?

saucer 2003-07-24

打赏
举报

or get

GotDotNet User Sample: SgmlReader 1.1
http://www.gotdotnet.com/Community/UserSamples/Details.aspx?SampleGuid=B90FDDCE-E60D-43F8-A5C4-C3BD760564BC

saucer 2003-07-24

打赏
举报

A Yacc grammar for HTML
http://www.di.unito.it/mail_archive/YACCHTML/0000.html

An Elementary HTML Parser
http://www.codeproject.com/csharp/HTMLParser.asp

popcorn 2003-07-24