Parsing Html-файла

[Bazzilic]

Задача стоит следующая: есть большое количество однотипных html-страниц, содержащих информацию типа той, что хранится на афише.ру, т.е. всякие музеи, выставки, театры, достопримечательности и т.д. Надо извлекать оттуда инфу, т.е. очистить от html-кода и определить, что есть что.

Ну и в связи с этим вопросы:

• Не сталкивался ли кто-нибудь с такой задачей, и если сталкивался, то как решал?
• Какой есть модуль для качественного разбора html-файлов? Я использовал HTML:arser, но он зачем-то использует многопоточность, что вызывает больше проблем, чем решает.

 

[NikSoft]

Для: Bazzilic
Я решал такую задачу.
Использовал .NET и регулярные выражения.

 

[Vovochka]

Я как-то сталкнулся с такой задачей, попробовал HTML:arser, вообще говря не знал, что он использует многопоточность, но что процесс разбора до ужаса неудобен, это я понял.

HTML::TreeBuilder - вот решение, которое мне понравилось.
Строишь дерево, и методом пары тыков узнаешь где в этом дереве нужная тебе инфа.
Для спаравки читай справку к модулю, (HTML::Tree) если будут проблемы, пиши.

 

[Vovochka]

 #!/usr/bin/perl
use HTML::TreeBuilder;

for (1..67) {
$_ = sprintf '%04d', $_;
my $name = "erf$_.html";
my $page_url = "http://www.giantitp.com/comics/$name";
system "wget.pl $page_url";
my $tree = HTML::TreeBuilder->new;
$tree->parse_file("pool/$name");
@imgs = $tree->look_down('_tag' => 'img');
#	for (my $i = 0; $i < @imgs; $i++) {					# Преобретение
#		print "$i:\t",$imgs[$i]->attr('src'),"\n";					# Знания!
#	}											#
$comics_img = 'http://www.giantitp.com'.$imgs[16]->attr('src');		# Знание сила!
system "wget.pl $comics_img";
unlink "pool/$name";	#Ибо нефиг!
$tree->delete;
}

Вот мой небольшой скрипт по сдиранию комиксов с сайта
К сожелению, имена картинок были жестокок измучены хешем, посему мне приходиться дергать их из страницы