Распределение контента по блокам при парсинге

[Yurius38]

Всем привет, прошу помощи в осуществлении следующей задумки:
Пишу парсер информации с сайтов, нужно чтобы парсился контент по блокам (заголовкам h1-h2-h3) и распределялся по файлам.
Например, есть сайт с контентом, где

<h2>Вступление</h2>
Все привет
<h2>Середина</h2>
Все будет хорошо

Мне нужно чтобы создавалось два файла, в одном:
<h2>Середина</h2>
Все будет хорошо

и в другом
<h2>Вступление</h2>
Все привет

Понимаю, что нужно чтобы парсинг кода был снизу вверх, шаблон берет код до тех пор, пока не дойдет до заголовка и сохраняет это в одну переменную, затем идет дальше до следующего заголовка и так до конца. Но поскольку новичок, не знаю как это можно написать на кубиках (С вообще не знаю).

 

[TwistDanceR]

Ну, заголовки спарсить можно через XPath, тема есть на форуме. Я думаю найдешь кубик C# ну или другой.
Xpath сам такой: "@//h1|//h2|//h3|//h4|//h5|//h6"

А вот насчет контента - он же может быть по-разному обернут... тут универсального подхода, к сожалению нет.... Можно, конечно попробовать через PageText как-нибудь выехать, типа искать заголовки в тексте, типа текст от заголовка и до заголовка, парсить его, трим() делать и вроде как получится... короче надо фантазию подключить. Волшебную палочку тебе никто не даст.

 

[Yurius38]

Ну, заголовки спарсить можно через XPath, тема есть на форуме. Я думаю найдешь кубик C# ну или другой.
Xpath сам такой: "@//h1|//h2|//h3|//h4|//h5|//h6"

А вот насчет контента - он же может быть по-разному обернут... тут универсального подхода, к сожалению нет.... Можно, конечно попробовать через PageText как-нибудь выехать, типа искать заголовки в тексте, типа текст от заголовка и до заголовка, парсить его, трим() делать и вроде как получится... короче надо фантазию подключить. Волшебную палочку тебе никто не даст.

А как указать, что нужно спарсить код до первого найденного элемента (h1,h2,h3)?

 

[TwistDanceR]

А как указать, что нужно спарсить код до первого найденного элемента (h1,h2,h3)?

Через регулярные выражения. Самое короткое до h1 .*?(?=h1) Вроде так... это на скорую руку. Но тебе же нужно ограничиваться ещё между.... в общем логику надо продумать до конца.

 

[Yurius38]

в общем логику надо продумать до конца.

Вринципе логика работы уже продумана:
1 Кубик - начиная снизу берет весь текст до </h2>/</h3>/</h4>
2 Кубик - вырезает этот кусок кода и сохраняет в переменную
3 Кубик - начиная снизу берет весь текст до <h2>/<h3>/<h4>(включительно)
4 Кубик - вырезает этот кусок кода и сохраняет в переменную
5 Кубик - называет файл именем заголовка и туда сохраняется данный текст
Далее все повторяется до тех пор пока текста не останется для парсинга