Ik wil graag screen-scraping toepassen op een aantal webpagina's door middel van XSLT. Echter, het probleem is dat de HTML die in die pagina's is gebruikt geen XHTML is; m.a.w.: het voldoet niet aan de eisen die XML stelt aan een document. Bovendien wil ik dit scrapen geautomatiseerd laten toepassen; eenmalig handmatig opschonen zit er dus niet in.
Nu ben ik dus op zoek naar een Html naar Xml-converter in .Net, een library wat een html-document omsmurft naar geldige xml.
De meest bekende library hiervoor is volgens mij HTML Tidy, die kan volgens mij precies wat ik zoek. Echter, dit is een C-library. Op http://users.rcn.com/creitzel/tidy.html#dotnet geven ze als mogelijkheden om dit in .NET te gebruiken via PInvoke, via Managed C++ of via COM Interop, en dit zijn eigenlijk alle 3 geen ideale oplossingen.
Wat echt ranzig is, maar wat evt. ook nog zou kunnen is om weer via screen-scraping de webpagina op http://infohound.net/tidy/ te gebruiken om dit voor elkaar te krijgen. Met alle nadelen van dien.
Het punt is, alle native .Net implementaties lijken ofwel niet meer dan uitprobeersels (http://www.fawcette.com/v...ne_eprods/c_wagner_03_18/, http://www.codeproject.com/useritems/htmltoxmlconverter.asp), of commerciele producten.
Ik kan me niet voorstellen dat ik de enige ben die tegen dit gemis aanloop... hoe / met welke libraries doen jullie dit?
Nu ben ik dus op zoek naar een Html naar Xml-converter in .Net, een library wat een html-document omsmurft naar geldige xml.
De meest bekende library hiervoor is volgens mij HTML Tidy, die kan volgens mij precies wat ik zoek. Echter, dit is een C-library. Op http://users.rcn.com/creitzel/tidy.html#dotnet geven ze als mogelijkheden om dit in .NET te gebruiken via PInvoke, via Managed C++ of via COM Interop, en dit zijn eigenlijk alle 3 geen ideale oplossingen.
Wat echt ranzig is, maar wat evt. ook nog zou kunnen is om weer via screen-scraping de webpagina op http://infohound.net/tidy/ te gebruiken om dit voor elkaar te krijgen. Met alle nadelen van dien.
Het punt is, alle native .Net implementaties lijken ofwel niet meer dan uitprobeersels (http://www.fawcette.com/v...ne_eprods/c_wagner_03_18/, http://www.codeproject.com/useritems/htmltoxmlconverter.asp), of commerciele producten.
Ik kan me niet voorstellen dat ik de enige ben die tegen dit gemis aanloop... hoe / met welke libraries doen jullie dit?
