| Вопрос: РегЭксп | Добавлено: 07.10.04 17:01 |
Автор вопроса:  Павел | Web-сайт: www.vbnet.ru | ICQ: 326066673 |
|
Есть регэксп для выдирания из HTML ссылок: (<a[^>]+href(\s)*=(\s)*((""(?<url>[^""]*)"")|('(?<url>[^']*)')|(?<url>[^\s>]*))) Надо сделать, чтобы это не считалось ссылкой, если находится внутри тэгов <Script></Script>. Как это сделать? И сюда же, в тему: есть ли какие-нть парсеры HTML, чтоб не сильно ресурсоемкие были, и могли вот так работать: - найти все тэги <a> в документе - в цикле для каждого из них найти позицию и длину значения атрибута href в документе Желательно либо стандартный (имеющийся в поставке Win 2k3 или .Net Fw), либо в виде .Net-библиотеки. MS HTML это умеет? |
| Ответы | Всего ответов: 10 |
|
Номер ответа: 1 Автор ответа:  dNW Вопросов: 30 Ответов: 683 |
Профиль | | #1 | Добавлено: 07.10.04 17:29 |
|
1. Наверное придется искать закрывающий </script> вниз от тега <a>
2. Простой перебор с поиском InStr(n,html,"<a"  и InStr(n,html,"href"
|
||
|
Номер ответа: 2 Автор ответа: Павел Администратор ICQ: 326066673 Вопросов: 368 Ответов: 5968 |
Web-сайт: Профиль | | #2 | Добавлено: 07.10.04 17:34 |
|
Нет, мне такая мутотень не нужна... Есть уже отлаженная функция по работе со ссылками, к ней только разные регэкспы из массива подставляются... Поэтому менять функцию я не буду, иначе для каждого усовершенствования придется наворачивать горы кода... Все это можно сделать с помощью регулярных выражений, вопрос только в том, как именно  |
||
|
Номер ответа: 3 Автор ответа: ComancheВопросов: 87 Ответов: 459 |
Профиль | | #3 | Добавлено: 07.10.04 18:10 |
|
Вот мутотень без регэкспов, но с MS HTML:
Private Sub Form_Load() WebBrowser1.Navigate "www.yandex.ru" End Sub Private Sub WebBrowser1_DocumentComplete(ByVal pDisp As Object, URL As Variant)  im webDoc As HTMLDocument
im docHTML As String
im numAtags As Integer, i As Integer
im ARaw As String ' << полное ("outer" значение тэга A в "сыром" виде (со всеми "&" и т.п.)
' Те величины, о которых ты спрашивал: im hrefValue As String ' << нормализованное значение тэга HREF - т.е. уже без всяких "&" и т.п.
im hrefLength As Long ' << длина тэга HREF
im hrefPos As Long ' << позиция тэга HREF
Set webDoc = WebBrowser1.Document docHTML = webDoc.All.tags("HTML" (0).outerHTML
numAtags = webDoc.All.tags("A" .length
For i = 0 To numAtags - 1 hrefValue = webDoc.All.tags("A" (i).getAttribute("HREF"
If Right$(hrefValue, 1) = "/" Then hrefValue = Left$(hrefValue, Len(hrefValue) - 1) hrefLength = Len(hrefValue) ARaw = webDoc.All.tags("A" (i).outerHTML
hrefPos = InStr(1, docHTML, ARaw, vbTextCompare) ebug.Print hrefValue, hrefLength, hrefPos
Next Set webDoc = Nothing End Sub По-моему, это не очень сложно... |
||
|
Номер ответа: 4 Автор ответа: ZagZagICQ: 295002202 Вопросов: 87 Ответов: 1684 |
Профиль | | #4 | Добавлено: 07.10.04 18:11 |
|
А WebBrowser не пойдет? document.links - коллекция полнных (не относительных) ссылок с закачанной страницы |
||
|
Номер ответа: 5 Автор ответа: ПавелАдминистратор ICQ: 326066673 Вопросов: 368 Ответов: 5968 |
Web-сайт: Профиль | | #5 | Добавлено: 08.10.04 08:38 |
|
Огромное спасибо to Commanche, именно MS HTML я и воспользуюсь. |
||
|
Номер ответа: 6 Автор ответа: ПавелАдминистратор ICQ: 326066673 Вопросов: 368 Ответов: 5968 |
Web-сайт: Профиль | | #6 | Добавлено: 08.10.04 12:27 |
|
К сожалению, MSHTML мне не подошел. Он заточен под использование в WebBrowser, и пытается визуализировать и исполнять документ. А это мне не подходит из-за соображений производительности и безопасности. К тому же, если он натыкается на ошибки в скриптах, то выдает свое окошко об ошибке, которое стандартными методами подавить не удается. В общем, MSHTML - полная лажа. Мне бы чистый HTML-парсер, без всяких наворотов... |
||
|
Номер ответа: 7 Автор ответа: ZagZagICQ: 295002202 Вопросов: 87 Ответов: 1684 |
Профиль | | #7 | Добавлено: 08.10.04 13:24 |
|
Дак а WinSock разве страницу закачать не может? Через 80 порт-то? Или его из ASP.Net не подключить? |
||
|
Номер ответа: 8 Автор ответа: ComancheВопросов: 87 Ответов: 459 |
Профиль | | #8 | Добавлено: 09.10.04 00:48 |
|
На самом деле, всё прекрасно реализуется и без ЭУ WebBrowser. У объекта HTMLDocument есть чудный метод: createDocumentFromUrl. Я в том примере использовал WebBrowser для простоты и наглядности - чтоб код примера можно было быстро "закопипэйстить" из форума в бэйсик (пардон за дурацкий сленг).
В общем, MSHTML - полная лажа
Не могу согласиться. Это как в старой рекламе: "Не люблю я этих кошек" - "Да ты просто не умеешь их готовить".  )
|
||
|
Номер ответа: 9 Автор ответа: ПавелАдминистратор ICQ: 326066673 Вопросов: 368 Ответов: 5968 |
Web-сайт: Профиль | | #9 | Добавлено: 09.10.04 11:32 |
|
Что такое WinSock - знаю смутно, зато хорошо знаком с System.Net.Socket А какое это вообще имеет отношение к теме? |
||
|
Номер ответа: 10 Автор ответа: ПавелАдминистратор ICQ: 326066673 Вопросов: 368 Ответов: 5968 |
Web-сайт: Профиль | | #10 | Добавлено: 09.10.04 11:39 |
|
MS HTML вообще тесно интегрирован с WebBrowser, иначе бы не встречались бы куча методов, типичных для браузера IE: scrollto, scroll, свойства вроде location и т.д. Кроме того, он вроде бы будет пытаться подгружать из сети файлы, ссылки на которые есть в документе, хотя не уверен. И почему-то при нахождении ошибок в синтаксисе клиентских скриптов он выбрасывает свой собственный MsgBox с предложением отладки, отменить показ которого стандартными средствами нельзя. В общем, от своего мнения я не отказываюсь Проблему решил проще: нашел самодельный более-менее приличный HTML-парсер с исходниками на C#. |
||
Страница: 1 |