Как взять только текст из DOMа

[b1zar]

В самой зенке есть такая хорошая переменая Page.Text, которая берет текст с активной страницы. А можно ли такое же проделать имея только DOM? Про регулярку которая чистит HTML-теги (<.*?>) я знаю. Но дело вот в чем: мне попадаются разные сайты и после прохода этой регуляркой, бывает остается мусор, он всегда разный, что бы сделать под него регулярку. Можно как то выдернуться текст без мусора имея только DOM?

 

[Сибиряк]

В самой зенке есть такая хорошая переменая Page.Text, которая берет текст с активной страницы. А можно ли такое же проделать имея только DOM? Про регулярку которая чистит HTML-теги (<.*?>) я знаю. Но дело вот в чем: мне попадаются разные сайты и после прохода этой регуляркой, бывает остается мусор, он всегда разный, что бы сделать под него регулярку. Можно как то выдернуться текст без мусора имея только DOM?

Парсер Орка посмотрите там куча фишек по очистке текста.

Можно как то выдернуться текст без мусора имея только DOM?

Если только какую-то стороннюю библиотеку используя.

 

[Sergodjan]

В самой зенке есть такая хорошая переменая Page.Text, которая берет текст с активной страницы. А можно ли такое же проделать имея только DOM? Про регулярку которая чистит HTML-теги (<.*?>) я знаю. Но дело вот в чем: мне попадаются разные сайты и после прохода этой регуляркой, бывает остается мусор, он всегда разный, что бы сделать под него регулярку. Можно как то выдернуться текст без мусора имея только DOM?

Можете попробовать воспользоваться встроенным в Зеннопостер инструментом "Анализ содержимого - Article Extraction": https://c2n.me/48cPNjV.png

DOM записать в файл, напрмиер index.html, затем в браузере перейти по file:///C:/temp/index.html с помощью экшена "Табы - Переход на страницу" и применить экшен "Анализ содержимого - Article Extraction".

 

[b1zar]

Можете попробовать воспользоваться встроенным в Зеннопостер инструментом "Анализ содержимого - Article Extraction": https://c2n.me/48cPNjV.png

DOM записать в файл, напрмиер index.html, затем в браузере перейти по file:///C:/temp/index.html с помощью экшена "Табы - Переход на страницу" и применить экшен "Анализ содержимого - Article Extraction".

Да хотелось минимизировать работу с вкладками, по сути данный метод отличается от перехода на ориг. ссылку тем, что менее будет кушать ресурсы изза отсутствия медиа. Думал, что есть встроенный метод, о котором я не знаю, ведь Page.Text работает тоже с DOMом, только на открытой странице. Жаль что такого нет, придется смотреть костыли которые предложил Сибиряк

 

[b1zar]

Парсер Орка посмотрите там куча фишек по очистке текста.


Если только какую-то стороннюю библиотеку используя.

Парсер ОРКА я видел, он не подошел, потому что работает только Ru/En, а мне бывает нужно обработать сайты не только на этом языке, а вот вторая ссылка интересная, сейчас буду с ней ковыряться