HTML Parser sau Expresii Regulate

Extrag informatie dintr-o pagina si ma intreb cum anume sa procedez. Sa folosesc expresii regulate sau un parser html. Norocul meu e ca am gasit unul deja implementat de un anume tip Alex Chudnovsky, iar .Net imi ofera suport si pentru expresii regulate.

Am luat ca test prima pagina a sitului ejobs, din care vreau sa extrag lista de orase din tagul HTML select.

<select name="oras" class="input12" style="width:130px;" >
 <option value="">Toate orasele</option>
        <option value="262" >Abrud</option>
        ...
        <option value="298" >Zlatna</option>
</select>

Expresii Regulate
Am avut nevoie de doua expresii regulate. Una pentru a extrage toate tagurile <option></option> din acel <select>

(?<selectOrasInput>  // constructie pentru a marca grupul in RegExp
      <select          //inceput de tag
            ((?:.|\n)*?)         //orice intre tag si atributul name
                  name=\"oras\"     //atributul name trebuie sa aiba valoarea oras
                 ((?:.|\n)*?)
                 >
                 (?<options>(?:.|\n)*?) // marchez grupul cu de optiuni
      </select>
)

...si una pentru a extrage valoarea si textul din optiune

value=\"(?<Value>(?:.|\n)*?)\" // value=" 262"
(?:.|\n)*?
>(?<Text>(?:.|\n)*?)</option> // > Abrud</option>

HTML Parser

while ((oChunk = HtmlParserMajestic.ParseNext()) != null) // parse all html
{
 if (oChunk.GetParamValue("name") == "oras") // parser on select node
  {
   while ((oChunk = HtmlParserMajestic.ParseNext()) != null) // parse first option
    {
     if (oChunk.sTag == "select" && oChunk.oType == HTMLchunkType.CloseTag)
      break; // exit from parsing options
    if (oChunk.sTag == "option" && oChunk.oType == HTMLchunkType.OpenTag)
     {
      option = new SelectOption();
      option.Value = oChunk.GetParamValue("value"); // get value 
      oChunk = HtmlParserMajestic.ParseNext(); // parse to text
      option.Text = oChunk.oHTML.Trim(); // get text
      oChunk = HtmlParserMajestic.ParseNext(); // parse to end tag
      citiesFromParser.Add(option); // add new option
     }
    }
  }
}

Din ce am testat, expresiile regulate sunt pana la 8, 9 ori mai lente decat parserul HTML( 125 milisecunde expresiile, 15 milisecunde parserul). Daca as vrea sa extrag numere de telefon, emailuri, date calendaristice din textul paginii HTML, parserul nu-mi poate fi de folos decat pana la un anumit punct sau deloc, dar folosind expresii regulate, le pot obtine cu siguranta.

Download Source Code And Play