Hi,
ich würde auf der anderen Seite ansetzen und eine API-Schnittstelle deiner Seite erstellen. Damit geht alles einfacher UND wenn du die Seite von der Optik her änderst, funktioniert das Programm dann noch

Wenn mein Vorschlag nicht gut ist, würde ich die HTML-Datei mit regulären Ausdrücken parsen. Reguläre Ausdrücke in C++

Gruß
Broken Sword

Also entweder mit Regex arbeiten - oder du nimmst das HTML-Dokument einfach als XML-Datei her und suchst dir so deine Sachen zusammen, die du brauchst.

Es ist egal in welcher Sprache du dir das anschaust. Wichtig sind an sich überhaupt erst die Regex-Ausdrücke. Und die sind in JEDER Sprache gleich.
Hier mal ne Übersicht - ist zwar nur relativ oberflächlich angekratzt, aber die Grundlegenden Sachen sind erklärt:
de.wikipedia.org/wiki/Regul%C3%A4rer_Ausdruck

Wieso bleibt dir nichts weiter als RegEx übrig? Ich hab doch geschrieben: Behandele das HTML-Dokument einfach als XML! Dann kannst du die Elemente alle schön und fein säuberlich mit jedem üblichen XMLParser durchlaufen und ihren Inhalt/Attribute überprüfen und auswerten.
Da brauchst du keine grausigen String-Operationen a la RegEx.

voodoo44 schrieb:

Wieso bleibt dir nichts weiter als RegEx übrig? Ich hab doch geschrieben: Behandele das HTML-Dokument einfach als XML!

Das ist aber auch nur praktikabel solange die Webseiten xml konform geschrieben wurden. Die Browser sind oft sehr tollerant und die Entwickler der Seiten achten längst nicht alle drauf ob die Seiten komplett valide ist.

Aber ich würde auch eher zu der xml variante tendieren. Nen eigenen ordentlichen parser zu schreiben ist definitiv komplizierter

Seit wann werden Webseiten XML konform geschrieben?

Grundsätzlich gilt: Jedes öffnende Tag hat auch ein schließendes Tag. Hat es das nicht, kommt natürlich der XML-Parser durcheinander. Das gleiche Problem hast du aber auch dann, wenn du mit RegEx arbeitest - prüfst du nämlich auf Vorkommen eines Elementes, so hast du ein Problem, wenn dazu z.B. das schließende Tag nicht da ist - denn wie willst du sonst den Inhalt des (X)HTML-Elementes erkennen, wenn du garnicht weißt wo das Tag endet?

Die Variante mit dem XMLParser hat auch den Vorteil, dass du Inhalt und die jeweiligen Attribute SEHR leicht und schnell auslesen kannst. Ehe du das mit RegEx gelöst hast...

voodoo44 schrieb:

Seit wann werden Webseiten XML konform geschrieben?

Alle webseiten die xhtml valide sind sind xml konform...

voodoo44 schrieb:

Grundsätzlich gilt: Jedes öffnende Tag hat auch ein schließendes Tag. Hat es das nicht, kommt natürlich der XML-Parser durcheinander. Das gleiche Problem hast du aber auch dann, wenn du mit RegEx arbeitest - prüfst du nämlich auf Vorkommen eines Elementes, so hast du ein Problem, wenn dazu z.B. das schließende Tag nicht da ist - denn wie willst du sonst den Inhalt des (X)HTML-Elementes erkennen, wenn du garnicht weißt wo das Tag endet?

Dann ist doch die Frage wie der gewählte xml parser auf einen Fehler reagiert. Im schlimmsten fall bricht er das weitere parsen ab. Wenn er das tut ist der nutzen eines fertigen XML Parsers gleich null... Ist das der fall ist (imho) eine eigene Implementierung sinnvoller.

zerd schrieb:

alle webseiten die xhtml valide sind sind xml konform...

xhtml != html !

Das hab ich auch nie behauptet... Wir reden hier von Webseiten. Wenn die Webseite in XHTML oder in einem xml validem HTML stil geschrieben wurde kann ohne probleme mit einer existierenden xml-lib gearbeitet werden. Sonst nicht. Ich habe nie HTML und XHTML gleich gesetzt

Ich wollte damit sagen: Es gibt genügend Webseiten, die NICHT XHTML konform geschrieben sind - sondern "nur" HTML konform.

Na dann nix wie Buch kaufen und los gehts?

Quatsch kaufen, RegEx ist nicht so komplex.
Man sucht damit halt in einem Text nach bestimmten Regeln sag ich mal.
Kleines Beispiel: "^" bedeutet Zeilenanfang, "$" Zeilenende, "." ein beliebiges Zeichen.

Wenn ich also z.B. folgende Datei habe:


Und ich suche nach dieser regular Expression: "/^.$/" (die Slashes werden in vielen Sprachen verwendet, hat aber RegEx technisch keine Bedeutung)
Dann sucht er nach etwas, was mit einem beliebigen Zeichen anfaengt und sofort wieder aufhoert. Also kurz gesagt alle Zeilen, die nur ein Zeichen enthalten.
Das trifft hier zu auf: "a", "b", "e"

Such dir irgendwelche Tutorials, muss nicht C++ sein, wie schon gesagt, sind RegEx in allen Sprachen (fast) identisch.
Wie man nun die Methoden in der Boost Library aufruft, sollte mit der englischen Erklaerung auch gehen, wenn du das Prinzip von RegEx verstanden hast.

PS: Weiteres Beispiel:
"+" bedeutet, dass das zuvor angegebene Zeichen beliebig oft hintereinander steht, jedoch mindestens ein Mal.
So wird bei "/g+/" die Zeile "ccgggg" gefunden. Und so weiter.
Wenn du Fragen hast, frag, aber Geld wuerd ich auf keinen Fall dafuer ausgeben.

Skyte schrieb:

Quatsch kaufen, RegEx ist nicht so komplex.

sicher ... ?

Skyte schrieb:

die Slashes werden in vielen Sprachen verwendet, hat aber RegEx technisch keine Bedeutung

Natürlich haben sie eine Bedeutung - das sind sogenannte "Begrenzer", welche Beginn und Ende eines regulären Ausdrucks festlegen.

Skyte schrieb:

Wenn du Fragen hast, frag, aber Geld wuerd ich auf keinen Fall dafuer ausgeben.

Wenn du dafür kein Geld ausgeben würdest, bist du wohl ein Hobby-Scripter
Bücher > OnlineTutorials ...

In einem Buch wird nämlich auch die Verwendung von Begrenzern erklärt
Um mal bei dieser Kleinigkeit zu bleiben.

Vielleicht drückst du dich auch einfach nur ungenau aus - aber so wirklich mit Fachwissen glänzen konntest du gerade nicht. Eventuell doch mal ein Buch kaufen?

Bücher > OnlineTutorials

Das halte ich so pauschal auch für falsch. Bücher sind sicher, wenn es nur um den theoretischen Hintergrund zu irgendeinem Thema geht das Medium der Wahl, aber gerade wenn es um praktischere Sachen geht (wie eben der Umgang mit RegEx) finde ich ein gutes Onlinetutorial (idealerweise auf einem zweiten Monitor, auf dem ersten die Programmierumgebung ;)) wesentlich komfortabler. Mag aber auch immer eine individuelle Entscheidung sein, was man da bevorzugt.

nile schrieb:

Bücher sind sicher, wenn es nur um den theoretischen Hintergrund zu irgendeinem Thema geht das Medium der Wahl, aber gerade wenn es um praktischere Sachen geht (wie eben der Umgang mit RegEx) finde ich ein gutes Onlinetutorial (idealerweise auf einem zweiten Monitor, auf dem ersten die Programmierumgebung ;)) wesentlich komfortabler.

Naja... sagen wir es mal so:
Chomsky-Hierarchie ? Wikipedia
Regulärer Ausdruck ? Wikipedia
Das gehört ja alles zu einem großen Gebiet ... Reguläre Ausdrücke ("RegEx") sind jetzt nicht nur die wilde Verkettung irgendwelcher Zeichen, die nach einem Suchausdruck suchen sollen.
Aber da du "Hintergrund" schreibst, könnte man es glatt gelten lassen

Ich will hier jetzt nur nicht die Idee keimen lassen, reguläre Ausdrücke wären sowas wie das vom Threadersteller genannte "/^.$/" - da steckt ein bisschen mehr dahinter, als der gemeine PHP-Scripter meint

Schau dir des mal an:
HTML Reader C++ Class Library - CodeProject

obi--wan schrieb:

Auserdem wenn dasso komplex ist das es ein Buch erfordert

Quatsch, das ist nicht viel.
Es ist nur eine wilde Verkettung irgendwelcher Zeichen, die nach einem Suchausdruck suchen sollen und auch nicht viel mehr als das von mir genannte "/^.$/".
Z.B. sagen wir du suchst nach einem Zeilenumbruch, ich beachte jetzt mal "<br>", "<br/>" und "<br />", dann ist ein passender RegEx dafuer: "/<br ?\\/?>/i"
Das "i" hinter dem Slash sagt nur, dass es nicht case sensitive sein soll, passt also auch auf grossgeschriebene Tags.
Da der Slash bereits fuer die Begrenzung benutzt wird, muss man ihn escapen (muss man auch immer dann machen, wenn es in RegEx bereits eine Bedeutung hat (zB bei Fragezeichen, Plus, Stern, etc.)). Da Backslash auch das Escapezeichen fuer Strings ist, muss man den Backslash natuerlich doppelt schreiben, wie immer in einem String, wo ein Backslash drin sein soll.
Und das Fragezeichen sagt, dass das Zeichen davor vorhanden sein kann, aber nicht muss (Leerzeichen und Slash sind in dem Beispiel also optional).
(Eine Liste der ganzen Zeichen gibts halt zB bei Wikipedia).

Letzte Warnung, voodoo44 halte dich etwas zurück und Skyte, lass dich nicht ärgern

hey ich denke auch das regexp's das beste sein werden. Alternativ kannst du sicher auch den Parser nehmen den Zerd vorgeschlagen hat.
Falls du noch auf der Suche nach einem Leistungsstarken Framework bist schau dir einfach mal Qt an. Ist sehr umfangreich und sehr gut dokumentiert. Der englischen Sprache solltest du aber mächtig seien.
Ansonsten kann man auch Perl nutzen, ebenfalls gut Dokumentiert und in C++ einbinden.
gruß der f.o.g.