HTML parser incl source søges

http://www.developer.com/net/csharp/article.php/2230091

??

Jeg brugte denne i forbindelse med et projekt i skolen engang: http://www.codeproject.com/csharp/htmlparser.asp
Den virkede fint.

Ja, det ser ud til at der er blevet brugt noget tid på at skrue den sammen.
Jeg savner dog 2 ting.

1. Muligheden for at læse teksten mellem <a> start og </a> slut (se eksemplet nedenfor)
2. Muligheden for at fjerne attributter

Er det bare mig der ikke kan se mulighederne?


Min parser skal kunne f.eks. kunne lave

<a href="http://www.test.it" style="style"><font>Linktekst</font></a>

om til

<a href="http://www.test.it">Linktekst</a>

For <a> tagget gælder, at det efter at være parset kun må indeholde href attributten og så må teksten "Linktekst" ikke indeholde nogen form for formatering <font> eller what ever

For <img> tagget gælder, at det kun må indeholde src attributten

2c: Det ser lovende ud. Jeg kan ikke downloade sourcen, da man skal være oprettet som member, og siden fejler når man forsøger at oprette sig. Jeg prøver igen senere.

An error has occurred
Oops!
Hear that crunching sound? Something just broke.

Why did this happen?
Because either we screwed up in a way that wasn't immediately obvious until now, or because the ASP engine running this site has just rolled over and died, or because the site is simply having a bad hair day.

Jeg kan ikke umiddelbart se at den kan løse min problemstilling.

Der findes to måder at gøre det på. Brug mshtml eller SGMLReader som er skrevet af en microsoft gut. Tror du mildest talt vil bliver overasket over hvorsvært det er at skrive en selv.

Btw SGML reader kommer med source:

http://www.gotdotnet.com/Community/UserSamples/Details.aspx?SampleGuid=B90FDDCE-E60D-43F8-A5C4-C3BD760564BC

closed