Partser de HTML

[germanrende]

Hola, soy nuevo en el foro. Soy de Argentina y estoy estudiando Analista de Sistemas en la UBA (Universidad de Buenos Aires). Para una materia necesito hacer un trabajo practico que trata de una construccion de un indice en base a miles de paginas HTML para luego hacer consultas del tipo google.

Lo que estoy buscando es algun "parser de HTML" (en el titulo lo escribi mal) en C o C++. Cual me recomiendan? De donde lo puedo sacar?

Estuve buscando por la web y no encuentro demasiado al respecto y no quiero tener que implementarlo a mano. El parser lo que tiene que hacer es ir leyendo el archivo HTML y devolviendo el texto visible del codigo. Solo el texto visible ya que es el que el buscador debe analizar. Los tags, codigo javascript, y demas, no interesan.

Espero haber sido claro. Y espero puedan ayudarme.

[tunait]

Hola germanrende, bienvenido a los foros

traslado tu pregunta al foro de C/C++

movido desde (x)html

Un saludo

[KnowDemon]

Hola,

Ignoro si te pueda ser de utilidad, pero existe el HTMLTidy, y si no me equivoco su codigo fuente está disponible. En realidad es una herramienta para desarrolladores que tiene como objetivo encontrar errores en el código y corregirlos. Tal vez incluya código fuente que te sea útil.

Otra sea buscar librerías que solo "parseen". Me suena la existencia de librerías para XML, pero debe haber por ahí para HTML, casi sin duda. Sería buena idea buscar en SourceForge.

Personalmente me siento inclinado a pensar que es más sencillo crear un parser que simplemente "extraiga" el texto de la página. Sería simplemente "ignorar" el contenido de las etiquetas, y algunas cosillas por ahí. No sé. Ignoro de que vaya tu tarea.

¡Suerte!