Foros Club Delphi - Parsear HTML

Foros Club Delphi (https://www.clubdelphi.com/foros/index.php)

- C++ Builder (https://www.clubdelphi.com/foros/forumdisplay.php?f=13)

- - Parsear HTML (https://www.clubdelphi.com/foros/showthread.php?t=92944)

lago	23-03-2018 19:26:44

Parsear HTML

Hola, llevo un buen rato buscando la mejor manera de parsear contenido de un fichero HTML.

Lo que necesito es extraer las rutas de las imágenes <img src="http://SITIO/IMAGEN.JPG"> de un fichero HTML que descargo.

En PHP o Perl creo recordar que era bastante sencillo con las expresiones regulares pero en C.... me muero... Se os ocurre algo?

Gracias y un saludo!

Casimiro Notevi

23-03-2018 21:02:29

¿Extraer http://SITIO/IMAGEN.JPG ?

lago	23-03-2018 21:07:40

Hola Casimiro, exacto, de un HTML que guardo en un memo por ejemplo.

Código PHP:


		
			
<html>

<head><title> </head></title>

<body>



<p>

Lalalala

<img src="http://www.loquesea.com/imagen1.jpg">

<img src="http://www.loquesea.com/imagen2.jpg">

<img src="http://www.loquesea.com/imagen3.jpg">

</p>



</body>



</html>

De ahi necesito recoger:
http://www.loquesea.com/imagen1.jpg
http://www.loquesea.com/imagen2.jpg
http://www.loquesea.com/imagen3.jpg

escafandra

23-03-2018 22:01:16

Código PHP:


		
			
AnsiString ExtractURLImages(AnsiString Text)
{
  AnsiString Result;
  CHAR *T = Text.c_str();

  CHAR* R = strstr(T, ".jpg");
  while(R){
     R[4] = 0;
     T = strrchr(T, '\"');
     if(T) Result += T+1;
     Result += "\n";
     T = R+5;
     R = strstr(T, ".jpg");
  }
  return Result;
}

Ejemplo de uso:

Código PHP:


		
			
Memo->Text = ExtractURLImages(HTML_Text);

Saludos.

lago	24-03-2018 11:19:07

Muchas gracias Escafandra, en página más complejas falla pero me da por donde arrancar!

escafandra

24-03-2018 14:07:29

Cita:

Empezado por lago (Mensaje 525252)

Muchas gracias Escafandra, en página más complejas falla pero me da por donde arrancar!

El código asume que las URLs buscadas están entre paréntesis, y se refieren a imágenes jpg.
Puede añadirse la búsqueda de otros formatos de imagen y que el comienzo de la cadena buscada sea por "http://www."

Saludos.

mamcx

24-03-2018 19:52:58

Cita:

Empezado por lago (Mensaje 525252)

Muchas gracias Escafandra, en página más complejas falla pero me da por donde arrancar!

HTML no es para parsear con regex ni manualmente:

https://stackoverflow.com/questions/...lanation-in-la

a menos que tengas MUY especificado que es lo que quieres.

---

Si de todas maneras es solo detectar las URLS necesitas hacer un regex mas complejo o el parseo manual es mucho mas trabajado.

Ñuño Martínez

26-03-2018 12:57:54

Como te han dicho, analizar código HTML es complejo, y más si quieres cumplir con la norma de forma estricta y manejar correctamente código HTML mal construido. Es más, para hacerlo bien tendrás que construir un parser completo.

De todas formas, puedes simplificar un poco la cosa. Te lo pongo en pseudo-código:

Código:

  BUCLE

    SI se encuentra "<img " en HTML

       Desde esa posición, buscar 'src="', si no se encuentra ERROR

       Extraer el texto desde esa posición hasta las siguientes comillas

       quitar de HTML todo lo que preceda al texto extraido

    SINO

      Salir del BUCLE

    FIN SI

  REPETIR

Sigue sin manejar bien código mal formado (por ejemplo, si se encuentra un <img /> sin "src") pero en los casos bien construidos debería funcionar.

ecfisa

26-03-2018 23:02:35

Hola.

Cita:

Empezado por lago (Mensaje 525240)

...
Lo que necesito es extraer las rutas de las imágenes <img src="http://SITIO/IMAGEN.JPG"> de un fichero HTML que descargo.
...

Otra opción para extraer las rutas bajo la condición que las cadenas comiencen en "<img src=" y terminen en "jpg">:

Código PHP:


		
			
void getUrls(TStrings *source, TStrings *target)
{
  const char* INI = "<img src=\"";
  const char* FIN = "jpg\">";

  target->Clear();
  TStrings *ori = new TStringList;
  try
  {
    ori->Text = source->Text;
    for ( int i = 0; i < ori->Count; i++ )
    {
      AnsiString aux = ori->Strings[i];
      int p = aux.Pos(INI);
      if ( p )
      {
        p += strlen(INI) - 1;
        aux = aux.SubString(p+1, aux.Length());
        aux = aux.SubString(1, aux.Pos(FIN) + 2);
        target->Add(aux);
      }
    }
  }
  __finally
  {
    delete(ori);
  }
}

Ej. uso:

Código PHP:


		
			
void __fastcall TForm1::Button1Click(TObject *Sender)
{
  getUrls(Memo1->Lines, Memo2->Lines); 
}

Resultado de la prueba:

Saludos :)

lago	27-03-2018 12:21:01

Si que es cierto lo que decís, es peliagudo parsear una codificación que aún teniendo un standar es flexible como para que cada uno lo haga como le da la gana. En este caso me metí en este jardín por que solo tengo que parsear la salida html de dos páginas muy concretas.

Ecfisa muchas gracias por tu código, junto con el de escafandra me han venido genial!

Muchas gracias a todos por vuestras respuestas

Un saludo!!

Jorge.

La franja horaria es GMT +2. Ahora son las 22:07:38.