Получите отобранный текст из HTML (Delphi)

Question

У меня есть HTML, и мне нужно извлечь фактический письменный текст со страницы.

До сих пор я попробовал использовать веб-браузер и рендурирующую страницу, затем перейти в свойство документа и захватить текст. Это работает, но только там, где поддерживается браузер (т.е. com объект). Проблема в том, что я хочу, чтобы это могло работать под вином, поэтому мне нужно решение, которое не использует COM.

Должен быть программитический способ сделать это, что разумно.

Answer 1

Я не уверен, какой рекомендуемый способ разброса HTML в Delphi, но если бы это был я, я был бы соблазнен просто разбить копию HTML2Text (либо старше C ++ программа на это имя или новее Python Program) и пороть звонок к одному из них.

Вы можете включить Python HTML2Text в исполняемый файл, используя Py2exe.. Отказ Оба программа HTML2Text лицензированы под GPL, но до тех пор, пока вы просто подключите их исполняемый файл с вашим приложением и сделайте их источником в соответствии с ограничениями GPL, вы должны быть в порядке.

Answer 2

Вместо того, чтобы использовать TwebBrowser, вы можете напрямую использовать метод TIDHTTP и его получить.
Вы получаете HTML-строку обратно.

Answer 3

Вот хорошая простая рутина, скопированы из Scalabium:

function StripHTMLTags(const strHTML: string): string;
var
  P: PChar;
  InTag: Boolean;
  i, intResultLength: Integer;
begin
  P := PChar(strHTML);
  Result := '';

  InTag := False;
  repeat
    case P^ of
      '<': InTag := True;
      '>': InTag := False;
      #13, #10: ; {do nothing}
      else
        if not InTag then
        begin
          if (P^ in [#9, #32]) and ((P+1)^ in [#10, #13, #32, #9, '<']) then
          else
            Result := Result + P^;
        end;
    end;
    Inc(P);
  until (P^ = #0);

  {convert system characters}
  Result := StringReplace(Result, '&quot;', '"',  [rfReplaceAll]);
  Result := StringReplace(Result, '&apos;', '''', [rfReplaceAll]);
  Result := StringReplace(Result, '&gt;',   '>',  [rfReplaceAll]);
  Result := StringReplace(Result, '&lt;',   '<',  [rfReplaceAll]);
  Result := StringReplace(Result, '&amp;',  '&',  [rfReplaceAll]);
  {here you may add another symbols from RFC if you need}
end;

Затем вы можете легко изменить это сделать именно то, что вы хотите.