Мастера DELPHI (документация, исходники, скачать)

Основная («Начинающим»)/ Базы / WinAPI / Компоненты / Сети / Media / Игры / Corba и COM / KOL / FreePascal / .Net / Прочее / RSDN.ORG

« предыдущая ветвь | форум | следующая ветвь »

Парсинг HTML [D7, WinXP]

Страницы: < 1 2
Alex_C © (2009-05-21 19:06:00)
Столкнулся с весьма специфичной задачью:
есть в инете HTML страничка. Надо ее скачать и пропарсить. Парситься она очень просто - каждый столбец у нее имеет свою позицию и длинну.
Проблема выяснилась в том, что данные в эту табличку могут вноситься с использованием национальных символов. В частности венгерская буква "o с двуми черточками сверху" при приеме интерпритируется в 2 символа - Е' - в результате чего столбцы сдвигаются, и парсить становиться невозможно. Кто нибудь знает, как с этим бороться?

sniknik (2009-05-22 23:17:00) [21]
> Нет там тегов.
тогда это не HTML.

Alex_C (2009-05-22 23:01:00) [22]

> а парсить по тэгам?

:) Народ, типа не совсем тупой.
Нет там тегов. Текст просто разбитый ПРОБЕЛАМИ по столбцам. Это динамически формируемая таблица - отчет по приходящим данным.

brother (2009-05-22 10:26:00) [23]
> и парсить становиться невозможно.

а парсить по тэгам?

brother (2009-05-22 05:34:00) [24]
> Зачем?

видимо, чтобы избавиться от:

> В частности венгерская буква " o с двуми черточками сверху"
> при приеме интерпритируется в 2 символа - Е'

KilkennyCat (2009-05-22 00:37:00) [25]

> Сейчас пробую ф-цию UTF8ToAnsi...

Зачем?

Alex_C (2009-05-21 22:40:00) [26]

> тогда 2 символа на показ одного это мелочи, может быть до
> семи.
> а чего это невозможно парсить? разве нельзя алгоритм не
> зависящий от позиций придумать.

В том то и дело, что нельзя. В колонках может размещаться любой текст с пробелами, знаками препинания и т.д. Разделение - только жестко привязанные границы. И если оно сбивается - пропарсить уже невозможно.
Сейчас пробую ф-цию UTF8ToAnsi...

sniknik (2009-05-21 22:23:00) [27]
тогда 2 символа на показ одного это мелочи, может быть до семи.
а чего это невозможно парсить? разве нельзя алгоритм не зависящий от позиций придумать.

Alex_C (2009-05-21 21:33:00) [28]
В заголовке стоит content="text/html;charset=utf-8".

clickmaker (2009-05-21 19:25:00) [29]
> венгерская буква "o с двуми черточками сверху" при приеме
> интерпритируется в 2 символа

кодировка - unicode или utf-8?

Страницы: < 1 2

Наверх

	« предыдущая ветвь \| форум \| следующая ветвь »