Извлечение чистого текста из HTML в Delphi: методы и подходы

Delphi , Интернет и Сети , Браузер

Вопрос о том, как извлечь текст из HTML-страницы, является актуальным для разработчиков, работающих с веб-технологиями. В частности, для специалистов, использующих Delphi и Pascal, задача может быть не совсем тривиальной из-за разнообразия HTML-тегов и сложности их структуры. В данной статье мы рассмотрим, как можно решить эту задачу, используя примеры кода на Object Pascal.

Проблема

При использовании компонента WebBrowser для получения исходного кода HTML-страниц, мы сталкиваемся с тем, что текст перемешан с HTML-тегами, что затрудняет их отделение друг от друга. Пример кода, который вы могли бы встретить, выглядит следующим образом:

<FONT>&gt;&lt;/P&gt;&lt;P align=center&gt;&lt;FONT color=#ccffcc size=3&gt;**Hello There , This is a text in our html page** &lt;/FONT&gt;&lt;/P&gt;&lt;P align=center&gt; &lt;/P&gt;

HTML-теги могут быть различными и непредсказуемыми, и невозможно предугадать их структуру заранее, что усложняет задачу извлечения текста.

Подходы к решению

Использование парсера HTML

Один из подходов заключается в использовании парсера HTML, который позволит отделить текст от тегов. Например, можно использовать Delphi DOM HTML parser, который предназначен для этой цели.

Удаление HTML-тегов

Если структура тегов известна и постоянна, можно написать функцию, которая будет извлекать текст, игнорируя теги. Однако, если теги нестабильны, этот метод может быть неэффективным.

Использование TWebBrowser для извлечения текста

Существует метод, который использует TWebBrowser для парсинга и выбора чистого текста из HTML-кода. Ниже приведен пример функции на Object Pascal, которая осуществляет это:

uses
  MSHTML,
  SHDocVw,
  ActiveX;

function GetPlainText(const Html: string): string;
var
  DummyWebBrowser: TWebBrowser;
  Document: IHtmlDocument2;
  DummyVar: Variant;
begin
  Result := '';
  DummyWebBrowser := TWebBrowser.Create(nil);
  try
    // Открываем пустую страницу для создания экземпляра IHtmlDocument2
    DummyWebBrowser.Navigate('about:blank');
    Document := DummyWebBrowser.Document as IHtmlDocument2;
    if Assigned(Document) then // Проверяем, что документ создан
    begin
      DummyVar := VarArrayCreate([0, 0], varVariant); // Создаем массив вариантов для записи HTML-кода в IHtmlDocument2
      DummyVar[0] := Html; // Присваиваем HTML-код массиву вариантов
      Document.Write(PSafeArray(TVarData(DummyVar).VArray)); // Записываем HTML в документ
      Document.Close;
      Result := (Document.body as IHTMLBodyElement).createTextRange.text; // Получаем чистый текст
    end;
  finally
    DummyWebBrowser.Free;
  end;
end;

Использование компонентов Delphi HTML Component Library

Компоненты Delphi HTML Component Library предоставляют простой способ извлечения текста из HTML-документа с помощью свойства InnerText, которое возвращает отформатированный текст без тегов.

Заключение

Извлечение чистого текста из HTML-страницы - задача, которая может быть решена различными способами. В зависимости от конкретных требований и условий, разработчики могут выбрать наиболее подходящий метод, будь то использование парсеров, встроенных функций TWebBrowser или специализированных компонентов.

Важно помнить, что HTML - это язык с множеством возможностей и сложной динамикой, поэтому полностью универсального решения не существует. Однако, при правильном подходе и использовании подходящих инструментов, можно добиться хороших результатов в извлечении текста из HTML-страниц.

Создано по материалам из источника по ссылке.

Вопрос связан с извлечением чистого текста из HTML-контента в среде разработки Delphi, что является задачей для парсинга и обработки веб-данных.

Комментарии и вопросы

Получайте свежие новости и обновления по Object Pascal, Delphi и Lazarus прямо в свой смартфон. Подпишитесь на наш Telegram-канал delphi_kansoftware и будьте в курсе последних тенденций в разработке под Linux, Windows, Android и iOS

:: Главная :: Браузер ::