Co znamena "velmi rozhozeny"? Podle vzniklého souboru lze poznat, že souvisí s původním souborem. Ale
1. Má rozhozené kódování. 2. Textový obsah i formátovací značky jsou porušené. Nedaří se mi situaci pořádně popsat, proto přikládám ukázku původního a vzniklého kódu. S tím, že k nějakým změnám kódu dojde (opravám kvůli převodu nonwellformed HTML do DOM) počítám. U mě však dochází ke znehodnocení celého kódu (viz přiložené soubory). Na odkázaný parser se určitě podívám, děkuju. Dušan Rychnovský 2011/2/18 Ondrej Nekola <[email protected]> > Co znamena "velmi rozhozeny"? > S pozdravem > Ondřej Nekola > > > > 2011/2/18 Dušan Rychnovský <[email protected]>: > > Dobrý den. > > > > Vytvářím program (JSE), který zpracovává HTML stránky. Stránku vždy > stáhnu z > > webu na disk, vybuduju nad ní DOM Tree a pomocí něj pak provádím různé > > úpravy. > > > > Pro stavbu DOM používám knihovnu "HTML Parser" > > (http://htmlparser.sourceforge.net/), a to z několika důvodů. > > > > 1. Potřebuju zpracovávat běžné webové stránky (tj. stránky s chybami > oproti > > XML standardům). > > > > 2. Potřebuju je zpracovávat rychle. > > > > 3. Změny v HTML kódu chci uchovávat i mezi spuštěními programu - > potřebuju > > DOM serializovat. > > > > Zjistil jsem, že "HTML Parser" při vytváření stromu nekopíruje textové > > elementy do paměti, ale nějakým způsobem se zřejmě odkazuje na části > > zparsovaného HTML souboru. > > > > Proto pokaždé, když provedu změnu v HTML kódu, uložím na disk > (serializuju) > > změněný DOM a přepíšu parsovaný HTML soubor pomocí metody toHtml() třídy > > NodeList (aby si vždy DOM a parsovaná stránka odpovídaly). > > > > Tento postup funguje v pořádku až do té doby, než program vypnu a znovu > > zapnu (tj. zřejmě dokud neproběhne deserializace DOMu). Potom dostávám > při > > prvním volání toHtml() dokument velmi rozhozený. > > > > Kontroloval jsem několikrát, jestli se někde v průběhu nedostane dvojice > DOM > > - parsovaný soubor do nekonzistentního stavu, ale chybu jsem nenašel. > > > > Takže přemýšlím, jestli vůbec "HTML Parser" takovéto zacházení podporuje > > (dokumentace je dost chudá). > > > > Máte někdo podobné zkušenosti s tímto parserem? Nebo víte o vhodnějším > > parseru pro moje účely (vygooglil jsem i různé jiné parsery, ale vždy se > mi > > z nějakého důvodu zdály nevhodné)? > > > > Díky za pomoc, > > Dušan Rychnovský > > > > >
<p>V případě potřeby mě <strong>kontaktujte</strong> na emailu <a href="mailto:[email protected]";>[email protected]</a>.</p>
<">V pA?ApadÄ? potA?eby mÄ? <s<strong>ntaktujte</strong> na em</strong>h</p>"mai<ul:class.r"news">s<li>mail.com">[email protected]</a>.</p>
