Hledáni slov v řetězci. – Delphi – Fórum – Programujte.com

Zdravím, učím se v Delphi jen chvilku, a právě proto si asi už několikátý den lámu hlavu nad tím, jak z načteného souboru (neco.html), který načítám (zobrazuji)  třeba do Memo nebo RichEditu (raději bych použil Memo), odstraním tagy z HTML kódu, potřebuji v uvedených komponentách zobrazovat jen text bez tagů, s tímto osekaným textem budu dále pracovat.

př:

ref="../html/photos.htm">ZOBRAZOVAT SE BUDE POUZE TOTO</a></li><li><a rel="nofollow" rel="nofollow" rel="nofollow" href="../html/synced_photos.htm">ZOBRAZOVAT SE BUDE POUZE TOTO</a></li><li><a rel="nofollow" rel="nofollow" rel="nofollow" href="../html/videos.htm">ZOBRAZOVAT SE BUDE POUZE TOTO</a></li><li><a rel="nofollow" rel="nofollow" rel="nofollow" href="../html/friends.htm">ZOBRAZOVAT SE BUDE POUZE TOTO</a></li><li><a 

V textu mohou být různé jiné tagy.

Bohužel jsem nikde jinde nenašel způsob, jak se s tímto vypořádat a proto se zde obracím na Vás.

Děkuji za každou radu B.

#1 Brenyx
Takový nástřel:

vyhledej první výskyt < a první výskyt >. Vše co je mezi včetně těch závorek odstraň. To opakuj, dokud se v textu nachází <...

#2 JoDiK

Díky inspiroval jsem se.

Dnes jsem zabředl do řetězců, něco nového jsem se naučil, ale pořád to nestačí.

Zjistil, jsem že soubor (text souboru) načítám po řádcích až do té doby něž jsem na konci souboru, tedy v každém řádku bych měl být schopen najít určitý znak nebo slovo (měl bych hledat po řádcích), zatím umím zjisti kolikátý v pořadí je hledaný znak (nebo začátek slova):

Var
  Radek2: string;
  Soubor2: TextFile;
  cislo:integer;

 begin
  AssignFile(Soubor2,'text.txt');
  while not Eof(Soubor2) do
  begin
  ReadLn(Soubor2, Radek2);
  cislo:=pos('<',Radek2);

  Memo1.lines.Add(Radek2);
  end;
   label1.Caption:=inttostr(cislo);

......

Uvedený zápis vyhodí pozici asi jen posledního nalezeného znaku <, což asi nebude vadit, když bych pak mazal od konce, se znakem > bych to mohl provést stejným způsobem.

Tedy bych zjistil, že poslední pozice uvedených znaků.

A teď to přijde, zde jsem úplně mimo:

Od posledního znaku > bych měl provést mazání až do konce textu  to včetně tohoto znaku - nenašel jsem nikde jakým způsobem (jakým nástrojem) toho docílit.

Pak by mi mělo stačit opět najít poslední > a taky poslední <, tedy bych měl mít zjištěno odkud kam mazat, a takhle bych měl pokračovat až do (začátku textu).

Já vím, že to píšu jak blbec, ale bohužel mi to asi jinak do hlavy nevleze, i za odkaz, kde se podobná problematika řešila, bych byl vděčný.

Jinak díky za reakci B.

Nakonec mě jen napadá, že bych potřeboval, i poradit s tím, jak v textu načteném ze souboru, měnit znak za znak, toto bych použil při opravě diakritiky při načítání html do textového souboru např: Ă=U, Ănor=Únor.

#3 Brenyx
U programování neexistuje žádné "asi".

Pos odjakživa hledalo první výskyt - viz např.: zde...

Na mazání od-do z řetězce se už od Pascalu 3.0 používá delete...

Jen asi musíš promyslet a vyřešit to, že v HTML obecně může být < na jednom řádku a odpovídající > klidně až na dalším řádku, nebo i o pět řádků dál...

#4 JoDiK

Děkuji za odkazy, nastuduji, vyzkouším a popřemýšlím.

A ještě díky za trpělivost, nerad otravuji s maličkostmi, i když pro mě je to jak objevit Ameriku.

Až budu mít nějaký kloudný výstup, tak se pochlubím.

#4 JoDiK

Tak sem to spáchal takto:

Var
  Radek: string;
  s:string;
  Soubor: TextFile;
  PrvniZnak:integer;
  PosledniZnak:integer;
  ulozeno:string;
  DelkaRadku:integer;
  Pocatek:integer;
  CetnostZnaku:integer;

begin

      If trim(s) <> '' then
      close;
      AssignFile(Soubor,'text.txt');
      Reset(Soubor);

     while not Eof(Soubor) do
     begin
       ReadLn(Soubor, Radek);
       Delete(Radek,1,1);

       For Pocatek:=0 to 30  do         // - zde je to 30 zadáné ručně
        begin
          PrvniZnak:=pos('>', Radek);
          PosledniZnak:=pos('<', Radek);
          DelkaRadku:=length(Radek)-1;

          If PosledniZnak > PrvniZnak then
            begin
             ulozeno:= Copy(Radek,PrvniZnak+1,PosledniZnak-PrvniZnak-1);
             Delete(Radek,1,PosledniZnak);
             Memo1.Text:=Radek;
             Memo2.Text:=Memo2.Text+ulozeno;
            end;
        end;
       //Label8.Caption:=inttostr(DelkaRadku);              pouze pro kontorlu cyklů
       //label1.Caption:=inttostr(PrvniZnak);
       //label2.Caption:=inttostr(PosledniZnak);
       //label10.Caption:=inttostr(CetnostZnaku);
      end;
end;

Problém je v tom, že jsem nepřišel na to jak zjistit četnost znaku '>' v textu (což je poslední znak), tím bych nastavil počty cyklů.

A další značný problém je v tom, že když budu provádět více jak 50 cyklů, tak už PC zamrzne :), nějaký nápad?

Připojen obrázek.

Nenastavuj počet cyklů, použij cyklus s podmínkou...

Dokud se v textu nachází < tak dělej...

while pos('<',radek)>0 do

  begin

    ....

  end;

Každopádně bych asi zkusil spíš použít modernější nástroje nějaký ten pchar nebo jaksetojmenuje, což je délkou neomezený dynamický řetězec, do něj bych to ze souboru naházel a pak v tom jednom řetězci odstraňoval... Tím se vyhneš tomu, že je nějaký HTML příkaz roztažený přes víc řádků...

Hele jako hraní s řetězci dobrý, ale nebylo by efektivnější přes strejdu Googla pohledat HTML parser  a ty texty si vytahat přes něj? 

#7 JoDiK
Hned na to kouknu, díky B.

#6 Brenyx
Z delphi si toho už moc nepamatuji, ale věřím, že si tento kód v C# dokážeš do deplhi přepsat

            string input = "><i><color:1256>abcd</color> </i>rs<XX>>tuv<"; //vstupní řetězec
            char[] output = new char[input.Length + 1]; //výpis do pole je lepší, než zvětšovat string

            int p = 0;
            int i = 0; // v delphi se u stringu myslím začíná od indexu 1
            bool searchfornext = false;

            while (i < input.Length) //opakovat dokud neprojdeš všechny znaky (v dephi myslím <=)
            {                
                switch(input[i])
                {
                    case '>': searchfornext = false; break;
                    case '<': searchfornext = true; break;
                    default: if (!searchfornext) { output[p] = input[i]; p++; } break;
                }
                
                i++;
            }

            output[p] = '\0'; //v delphi se budeš muset asi postarat o ukončovací znak

            string str = new string(output); // převod na string

samozřejmě v C# by to šlo napsat lépe (s polovinou řádků), ale schválně jsem to napsal tak, aby to šlo lépe pochopit.

#11 Sniper
Děkuji všem za řešení mého problému. Hned ráno se na to podívám, i tak si myslím, že to pojedu řádek po řádku a pan google mi bude sekundovat.

#11 Sniper

Vím, že se snažil mi usnadnit práci, ale bohužel i přes to že jsem do toho koukal přes den tak, jsem toho moc nevykoukal, no prostě jsem nepochopil jak to mám zakomponovat, respektive, jak mám uvedenou funkci použít

:(, je to na mě jiný LV.

Použití je jednoduché, předáš jí html soubor a ona vrátí jeho text bez tagů. Takže třeba:

Memo1.Text := RemoveTags('C:\test\test.htm');

#14 Sniper
Mělo mě to hned napadnout, byl jsem blízko, jen sem si měl pořádně přečíst funkci, děkuji za pomoc, moc mi to pomohlo.