Foro de elhacker.net

Programación => .NET (C#, VB.NET, ASP) => Mensaje iniciado por: #Aitor en 12 Mayo 2014, 18:08 pm


Título: Parsear código HTML en Vb.net
Publicado por: #Aitor en 12 Mayo 2014, 18:08 pm
Hola buenas, acostumbrado de PHP y su forma de parsear código.

Código
  1. preg_match_all('<b>Ejemplo de parsear, este numero es variante (.*) </b>', $ejemplo, $ejemplo1);

con el (.*) se obtenia el valor que se encontraba ahí. No encuentro una manera eficiente de hacerlo en VB.net

Mejor dicho no encuentro nada de información sobre cómo hacerlo en Vb.net, y la única solución que encuentro es haciéndolo de forma muy absurda.

Código
  1. Dim valor as integer = InStr(codigo_html.Text, "<b>Ejemplo de parsear, este numero es variante")

y a partir de ahí guardar la última posición en un entero (valor) y recorrer un for hasta que encuentre un "<" y salga de éste, como digo, me parece muy ineficiente y absurda.

¿Existe alguna 'mejor' forma, más cómoda de parsear?

Título: Re: Parsear código HTML en Vb.net
Publicado por: .:Weeds:. en 18 Mayo 2014, 00:07 am
Tal vez esto sea lo que buscas.

http://htmlagilitypack.codeplex.com/ (http://htmlagilitypack.codeplex.com/)

Hay muchos tutoriales en google sobre como usarlo.

Saludos.

Título: Re: Parsear código HTML en Vb.net
Publicado por: Eleкtro en 28 Junio 2014, 04:02 am
He leido en un post tuyo más reciente que comentabas la falta de atención a este post, lo digo porque de lo contrario no respondería a un post de antiguedad por no ser un buen ejemplo...


Para ser sinceros, el compañero @.:Weeds:.te ha sugerido la mejor opción que hay, pero es una librería demasiado completa y amplia para tus necesidades, lo cual resolverías descargando el source y usando un simple RegEx.

De todas formas, te dejo un ejemplo que escribí hace tiempo sobre el uso de dicha librería, espero que te sirva en algo:

Código
  1. Public Class Form1
  2.  
  3.     Private ReadOnly html As String =
  4.         <a><![CDATA[
  5. <!DOCTYPE html>
  6. <html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">
  7. <body>
  8.  
  9. 	<div class="infolinks"><input type="hidden" name="IL_IN_TAG" value="1"/></div><div id="main">
  10.  
  11. 		<div class="music">
  12.  
  13. 			<h2 class="boxtitle">New releases \ <small>
  14. 				<a href="/newalbums" title="New releases mp3 downloads" rel="bookmark">see all</a></small>
  15. 			</h2>
  16.  
  17. 			<div class="item">
  18.  
  19. 	    		<div class="thumb">
  20. 					<a href="http://www.mp3crank.com/curt-smith/deceptively-heavy-121861" rel="bookmark" lang="en" title="Curt Smith - Deceptively Heavy album downloads"><img width="100" height="100" alt="Mp3 downloads Curt Smith - Deceptively Heavy" title="Free mp3 downloads Curt Smith - Deceptively Heavy" src="http://www.mp3crank.com/cover-album/Curt-Smith-Deceptively-Heavy-400x400.jpg"/></a>
  21. 	    		</div>
  22.  
  23. 				<div class="release">
  24. 					<h3>Curt Smith</h3>
  25. 					<h4>
  26. 						<a href="http://www.mp3crank.com/curt-smith/deceptively-heavy-121861" title="Mp3 downloads Curt Smith - Deceptively Heavy">Deceptively Heavy</a>
  27. 					</h4>
  28. 					<script src="/ads/button.js"></script>
  29. 				</div>
  30.  
  31. 				<div class="release-year">
  32. 					<p>Year</p>
  33. 					<span>2013</span>
  34. 				</div>
  35.  
  36. 				<div class="genre">
  37. 					<p>Genre</p>
  38. 					<a href="http://www.mp3crank.com/genre/indie" rel="tag">Indie</a><a href="http://www.mp3crank.com/genre/pop" rel="tag">Pop</a>
  39. 				</div>
  40.  
  41. 			</div>
  42.  
  43. 			<div class="item">
  44.  
  45. 	    		<div class="thumb">
  46. 					<a href="http://www.mp3crank.com/wolf-eyes/lower-demos-121866" rel="bookmark" lang="en" title="Wolf Eyes - Lower Demos album downloads"><img width="100" height="100" alt="Mp3 downloads Wolf Eyes - Lower Demos" title="Free mp3 downloads Wolf Eyes - Lower Demos" src="http://www.mp3crank.com/cover-album/Wolf-Eyes-–-Lower-Demos.jpg" /></a>
  47. 	    		</div>
  48.  
  49. 				<div class="release">
  50. 					<h3>Wolf Eyes</h3>
  51. 					<h4>
  52. 						<a href="http://www.mp3crank.com/wolf-eyes/lower-demos-121866" title="Mp3 downloads Wolf Eyes - Lower Demos">Lower Demos</a>
  53. 					</h4>
  54. 					<script src="/ads/button.js"></script>
  55. 				</div>
  56.  
  57. 				<div class="release-year">
  58. 					<p>Year</p>
  59. 					<span>2013</span>
  60. 				</div>
  61.  
  62. 				<div class="genre">
  63. 					<p>Genre</p>
  64. 					<a href="http://www.mp3crank.com/genre/rock" rel="tag">Rock</a>
  65. 				</div>
  66.  
  67. 			</div>
  68.  
  69. 		</div>
  70.  
  71. 	</div>
  72.  
  73. </body>
  74. </html>
  75. ]]$cdataend$</a>.Value
  76.  
  77.     Private sb As New System.Text.StringBuilder
  78.  
  79.     Private htmldoc As HtmlAgilityPack.HtmlDocument = New HtmlAgilityPack.HtmlDocument
  80.     Private htmlnodes As HtmlAgilityPack.HtmlNodeCollection = Nothing
  81.  
  82.     Private Title As String = String.Empty
  83.     Private Cover As String = String.Empty
  84.     Private Year As String = String.Empty
  85.     Private Genres As String() = {String.Empty}
  86.     Private URL As String = String.Empty
  87.  
  88.     Private Sub Test() Handles MyBase.Shown
  89.  
  90.         ' Load the html document.
  91.         htmldoc.LoadHtml(html)
  92.  
  93.         ' Select the (10 items) nodes.
  94.         ' All "SelectSingleNode" below will use this DIV element as a starting point.
  95.         htmlnodes = htmldoc.DocumentNode.SelectNodes("//div[@class='item']")
  96.  
  97.         ' Loop trough the nodes.
  98.         For Each node As HtmlAgilityPack.HtmlNode In htmlnodes
  99.  
  100.              ' Set the values:
  101.             Title = node.SelectSingleNode(".//div[@class='release']/h4/a[@title]").GetAttributeValue("title", "Unknown Title")
  102.             Cover = node.SelectSingleNode(".//div[@class='thumb']/a/img[@src]").GetAttributeValue("src", String.Empty)
  103.             Year = node.SelectSingleNode(".//div[@class='release-year']/span").InnerText
  104.             Genres = (From genre In node.SelectNodes(".//div[@class='genre']/a") Select genre.InnerText).ToArray
  105.             URL = node.SelectSingleNode(".//div[@class='release']/h4/a[@href]").GetAttributeValue("href", "Unknown URL")
  106.  
  107.             ' Display the values:
  108.             sb.Clear()
  109.             sb.AppendLine(String.Format("Title : {0}", Title))
  110.             sb.AppendLine(String.Format("Cover : {0}", Cover))
  111.             sb.AppendLine(String.Format("Year  : {0}", Year))
  112.             sb.AppendLine(String.Format("Genres: {0}", String.Join(", ", Genres)))
  113.             sb.AppendLine(String.Format("URL   : {0}", URL))
  114.             MsgBox(sb.ToString)
  115.  
  116.         Next node
  117.  
  118.     End Sub
  119.  
  120. End Class
  121.  


+ Como descargar el source de una página:

Código
  1.     ' Get SourcePage Array
  2.     ' ( By Elektro )
  3.     '
  4.     ' Usage Examples:
  5.     ' Dim SourceLines As String() = GetSourcePageArray("http://www.ElHacker.net", TrimLines:=True)
  6.     ' For Each Line As String In SourceLines : MsgBox(Line) : Next Line
  7.     '
  8.     ''' <summary>
  9.     ''' Gets a web source page.
  10.     ''' </summary>
  11.     ''' <param name="URL">Indicates the source page URL to get.</param>
  12.     ''' <param name="TrimLines">Indicates whether to trim the lines.</param>
  13.     ''' <param name="SplitOptions">Indicates the split options.</param>
  14.     ''' <returns>System.String[][].</returns>
  15.     ''' <exception cref="Exception"></exception>
  16.     Private Function GetSourcePageArray(ByVal URL As String,
  17.                                         Optional ByVal TrimLines As Boolean = False,
  18.                                         Optional ByVal SplitOptions As StringSplitOptions =
  19.                                                        StringSplitOptions.None) As String()
  20.  
  21.         Try
  22.  
  23.             Using StrReader As New IO.StreamReader(Net.HttpWebRequest.Create(URL).GetResponse().GetResponseStream)
  24.  
  25.                 If TrimLines Then
  26.  
  27.                     Return (From Line As String
  28.                            In StrReader.ReadToEnd.Split({Environment.NewLine}, SplitOptions)
  29.                            Select Line.Trim).ToArray
  30.  
  31.                 Else
  32.                     Return StrReader.ReadToEnd.Split({Environment.NewLine}, SplitOptions)
  33.  
  34.                 End If
  35.  
  36.             End Using
  37.  
  38.         Catch ex As Exception
  39.             Throw New Exception(ex.Message)
  40.             Return Nothing
  41.  
  42.         End Try
  43.  
  44.     End Function

+ Un breve ejemplo de la utilización de un RegEx:

Código
  1. #Region " RegEx Match Tag "
  2.  
  3.     ' [ RegEx Match Tag Function ]
  4.     '
  5.     ' // By Elektro H@cker
  6.     '
  7.     ' Examples :
  8.     ' Dim str As String = <a><![CDATA[href=>Drifter - In Search of Something More [EP] (2013)</a>]]></a>.Value
  9.     ' MsgBox(RegEx_Match_Tag(str, 1)) ' Result: Drifter - In Search of Something More [EP] (2013)
  10.  
  11.     Private Function RegEx_Match_Tag(ByVal str As String, Optional ByVal Group As Int32 = 0) As String
  12.  
  13.         ' Match criteria:
  14.         '
  15.         ' >Text<
  16.  
  17.         Dim RegEx As New System.Text.RegularExpressions.Regex( _
  18.         <a><![CDATA[>([^<]+?)<]]$cdataend$</a>.Value)
  19.  
  20.         Return RegEx.Match(str).Groups(Group).ToString
  21.  
  22.     End Function
  23.  
  24. #End Region


Saludos


Powered by SMF 1.1.21 | SMF © 2006-2008, Simple Machines