Html Code parsen

[Treehouse]

Hallo,

ich würde gerne für ein kleines Projekt Qt4 einsetzen. Da ich sehr viel Html code parsen muss wollte ich euch fragen wie leicht oder schwer es ist sowas mit Qt4 zu bewerkstelligen.
Vielleicht kann mir jemand auch sagen welche Klassen dafür benötigt werden. Aber es sollte schon alles in Qt4 oder reinem C++ gemacht werden damit es Plattform unabhänig ist.

Gruß

Treehouse

PS: Vielleicht wenn es nicht all zuviel mühe bereitet wäre ein kleines Beispiel schön.

[PeterLustig]

Ich verweise mal Dezent auf die Suchfunktion. Suche dort nach "Html Parsen" und du findest Antworten.

[patrik08]

Hallo,

ich würde gerne für ein kleines Projekt Qt4 einsetzen. Da ich sehr viel Html code parsen muss wollte ich euch fragen wie leicht oder schwer es ist sowas mit Qt4 zu bewerkstelligen.
.

Html ist nicht immer HTML code wenn du XHTML resultate moechtest
dann fuege den ganzen code in einen QTextDocument

QTextDocument *doc = new QTextDocument();
doc->setHtml(html);

Dann ist es moeglich jedes einzelne bild tabelle oder was sonst zu sortieren oder in andere formate zu bringen wie xsl-fo openoffice u.n.s.w.

dann kann man das dokument parsen und bearbeiten wie...
http://doc.trolltech.com/4.0/richtext-structure.html

wie das ganze wieder html wird sieht man bei:
http://www.bessrc.aps.anl.gov/software/ ... ource.html

Code: Alles auswählen

/* die rootFrame hat im grunde der body des dokument 
das mann mit einem iterator durchparsen kann */
FrameLoop(doc->rootFrame()->begin(),body);  /* body ist teil von einem xml */


void QdocXhtml::FrameLoop( QTextFrame::Iterator frameIt , QDomElement appender )
{
	BigframeProcessing++;
	
	  if (!frameIt.atEnd()) {
         QTextFrame::Iterator next = frameIt;
         ++next;
         if (next.atEnd() && frameIt.currentFrame() == 0 && 
					   frameIt.parentFrame() != doc->rootFrame() && 
				     frameIt.currentBlock().begin().atEnd()) {
     /* ende dokument */
             return;
				 }
     }
		 
		 for (QTextFrame::Iterator it = frameIt;  !it.atEnd(); ++it) {
			 if (QTextFrame *f = it.currentFrame()) {
			     if (QTextTable *table = qobject_cast<QTextTable *>(f)) {
						   /* table here */
               HandleTable(table,appender);   /* tabelle bearbeiten */
            } else {
							  /* other simple table from QTextDocument like <div> htmls */
							  QTextFrameFormat format = f->frameFormat();
							  QDomElement inlinediv = dom.createElement("var");
							  PaintFrameFormat(inlinediv,format);
							  appender.appendChild(inlinediv);
                                      /* naechter frame block */
							  FrameLoop(f->begin(),inlinediv);
						}
			 } else if (it.currentBlock().isValid()) {
                                       /* normaler paragraph */
					HandleBlock(it.currentBlock(),appender); 
			 }
		 }
}

QTextDocument macht fuer meinem geschmack zu viele css style fuer das web...
So bringe ich nur das notwendigste raus beisbiel:

http://fop-miniscribus.googlecode.com/s ... cxhtml.cpp
http://fop-miniscribus.googlecode.com/s ... docxhtml.h

Das dokument bearbeiten beispiel im code:
http://www.qt-apps.org/content/show.php ... tent=80234
oder ganz einfach ....
http://www.wysota.eu.org/wwwidgets/doc/ ... tedit.html
http://www.wysota.eu.org/wwwidgets/

[Sephral]

Wenn Du nur bestimmte Informationen aus dem HTML-Code ausfiltern willst, dann geht das mit QRegExp ganz leicht.

[RHBaum]

Wenn du den aufbau des HTML dokumentes kennst ....

html ist nur speziellere Form von xml ...
sich in nem DomDocument durchnavigieren ist total easy ...
Teile (DomNodes) aus nem document ausschneiden und bearbeiten ist noch easier ...

selbst mit nem SAX sollt es recht einfach gehen ....

die Frage ist eher was genau (und wie performant) du machen willst, um mit html zu operieren gibts halt viele möglichkeiten, also sollte dein Ziel scho auf die wegfindung einfluss nehmen ...

Ciao ...

[PeterLustig]

Wenn du den aufbau des HTML dokumentes kennst ....

html ist nur speziellere Form von xml ...

HTML ist KEINE Form von XML! XHTML ist eine Form von XML, aber nicht HTML.

Ein Beispiel: <img src="bla.."><br>
Das ist valides HTML, aber in XML würde der Parser dich rausschmeißen, da du zwei Tags öffnest, sie aber nie schließt.

Bitte informiere dich erst richtig, bevor du solche Halbwahrheiten oder falsche Informationen verbreitest.

[Sephral]

Code: Alles auswählen

html ist nur speziellere Form von xml ...

Auch vom zeitlichen Ablauf her eine gewagte Aussage

HTML: 1989
XML: 1998
XHTML: 2000

[RHBaum]

Urks, stimmt, ned XML sondern SGML ....
Womit natuerlich auch ned das qXML verwenden kannst ...

Wenn er die das html generiert, sollt er eh XHTML verwenden,
ansonsten muess/sollt er nen sgml parser (SP) nehmen ....

Ciao ...

[PeterLustig]

Wie man einem anderen Beitrag (welchen man kinderleicht über die Suchfunktion findet) bereits erwähnt, kann TidyXHTML auch HTML zu XHTML umwandeln, sodass man es leichter auslesen kann.


Einfach mal die Suchfunktion nutzen und alte Beiträge lesen.