html code parsen

[Matthias-k]

hi leutz,

ich suche verzweifelt ne möglichkeit oder eine kompo, wo ich html quelltext parsen kann.

und zwar brauch ich nur den reinen text. das ansich ist kee großes problem, kann man ja per pos copy usw
rausholen! mein problem an der ganzen sache ist, das es vorkommen kann, das ein "<" oder ">" in dem text vorkommen kann!
ich geb euch mal ein beispiel:

Code:

<div class="sysmsg">23:17:00 [b]<font color="#5a88ff">honigbiene</font> verl&auml;sst  den Chat.[/b]</div>
<script type="text/javascript">scroll();</script>
<script type="text/javascript">prescroll();</script>
<script type="text/javascript">parent.updateUser('Delphi', 4, 0, 0);</script><script type="text/javascript">scroll();</script>
<script type="text/javascript">prescroll();</script>
<div class="text" style="color:#0000ff;">(<span style="cursor:pointer;" onclick="parent.clickNick('Delphi',event);" style="color: #0000ff;">Delphi</span>) &lt;&lt;&lt;&lt;>>>>>></div>
<script type="text/javascript">scroll();</script>
<script type="text/javascript">prescroll();</script>

<script type="text/javascript">scroll();</script>
<script type="text/javascript">prescroll();</script>
<script type="text/javascript">parent.updateUser('Delphi', 4, 1, 0);</script><script type="text/javascript">scroll();</script>
<script type="text/javascript">prescroll();</script>

unnötige zeilen wie

Code:

<script type="text/javascript">scroll();</script>
<script type="text/javascript">prescroll();</script>

werden bereits entfernt beim auslesen. gibts irgendwas, was mir nur den reinen text ausgibt?

mfg matthias

[RWarnecke]

Den folgenden Sourcecode habe ich mal gefunden :

Delphi-Quellcode:

// Extract plain text from html string

function StripHTMLTags(const strHTML: string): string;
var
  P: PChar;
  InTag: Boolean;
  i, intResultLength: Integer;
begin
  P := PChar(strHTML);
  Result := '';

  InTag := False;
  repeat
    case P^ of
      '<': InTag := True;
      '>': InTag := False;
      #13, #10: ; {do nothing}
    else
      if not InTag then
       begin
         if (P^ in [#9, #32]) and ((P+1)^ in [#10, #13, #32, #9, '<']) then
         else
           Result := Result + P^;
       end;
    end;
    Inc(P);
  until (P^ = #0);

  {convert system characters}
  Result := StringReplace(Result, '"', '"',  [rfReplaceAll]);
  Result := StringReplace(Result, '&apos;', '''', [rfReplaceAll]);
  Result := StringReplace(Result, '>',   '>',  [rfReplaceAll]);
  Result := StringReplace(Result, '<',   '<',  [rfReplaceAll]);
  Result := StringReplace(Result, '&',  '&',  [rfReplaceAll]);
  {here you may add another symbols from RFC if you need}
end;

erstellt durch Code-Orakel und dem BBCode-Plugin.

Vielleicht hilft er Dir ja weiter.

[Bernhard Geyer]

Entweder du nimmst den parser des IE (TWebBrowser -> Document und Einbinden von MSHTML.pas) oder versuchst die Decodierung mit dem HTML-Viewer von PBear

[SirThornberry]

wenn in deinem zu parsenden wirklich außerhalb von Tags "<" und ">" vorkommen ist es kein wirklicher HTML-Code. Da hat sich irgendjemand nicht an Standards gehalten.
In oben gezeigtem Fall kann es sogar ein Sicherheitsrisiko werden da es so ausiseht als ob man damit anderen Leuten im Chat HTML-Code vorsetzen kann und somit auch Scripte.

Wenn man das ganze trotzdem parsen will braucht man eigentlich nur mit dem Gedanken ran gehen: Woran erkenne ich als Mensch das diese "<" und ">" in bestimmten Fällen kein einleiten oder schließen eines Tags ist.

[Matthias-k]

ich hab mit eurer hilfe eine ganz nützliche function gefunden:

Delphi-Quellcode:

function HtmlToText(const _html: string): string;var WebBrowser: TWebBrowser;
   Document: IHtmlDocument2;
   Doc: OleVariant;
   v: Variant;
   Body: IHTMLBodyElement;
   TextRange: IHTMLTxtRange;
begin
   Result := '';

   WebBrowser := TWebBrowser.Create(nil);
   try
     Doc := 'about:blank';
     WebBrowser.Navigate2(Doc);
     Document := WebBrowser.Document as IHtmlDocument2;

     if (Assigned(Document)) then
     begin
       v := VarArrayCreate([0, 0], varVariant);
       v[0] := _html;
       Document.Write(PSafeArray(TVarData(v).VArray));
       Document.Close;

       Body := Document.body as IHTMLBodyElement;
       TextRange := Body.createTextRange;
       Result := TextRange.text;
     end;
   finally
     WebBrowser.Free;
   end;
end;

jetzt muss ich bloß noch rausfinden, wieso der mir so einen script fehler ausgibt und wie ich das unterbinden kann!

mfg matthias