Mais au delà de ses considérations, il te suffirait avec n'importe quel langage (php, perl, xslt) de ne garder que le contenu "texte" avec leur signification (h1, h2, hx,p, dl,dt,dd,ul,ol,li,address,blockquote).
Un site mal pensé ne pourra pas aisément être repris.
<p align="center"><font size="6"> </font><b><font size="6">Ingénieur-e
diplômé-e HES</font> </b><br>
<b>avec mention de la filière et de l'orientation</b><br>
</p>
<p align="center"> </p>
<p align="left"><span class="titre2"><a name="debouches"></a> Un
titre qui ouvre de multiples débouchés pour de futurs cadres de
l'économie </span> [<a href="#top">top</a>]</p>
<blockquote>
<p>La recherche appliquée, le développement, la conception, la production, le management, le marketing, la vente, l'enseignement, le consulting, les
brevets,...</p>
</blockquote>
<p><span class="titre2"><a name="formation _mod"></a><a name="formation _mod"> </a>La formation par modules, un concept qui favorise la mobilité</span>
[<a href="#top">top</a>]</p>
Un code comme celui-ci n'a aucun sens car il n'est pas sémantiquement correct. les hn sont émulés par des <span class="titlen">.
En connaissant la/les page(s) dont tu devras reprendre le contenu, tu peux t'en sortir avec des expressions régulières ou du xslt (si le code est valide xml). Mais un programme générique faisant ça me parait trop complexe vu la balkanisation du web : http://openweb.eu.org/humeurs/balkanisation/(...)
Si la solution existe, je serai intéressé. (RSS ?)
# Re: Logiciel de parsage de site "compliqué" en version "simple"
Posté par Yoan B . En réponse au journal Logiciel de parsage de site "compliqué" en version "simple". Évalué à 2.
Le monde.fr
* http://www.lemonde.fr/(...)
* http://www.delorie.com/web/lynxview.cgi?url=http%3A%2F%2Fwww.lemond(...)
Alors qu'un site bien "fait" est directement utilisable.
* http://www.delorie.com/web/lynxview.cgi?url=http%3a%2f%2flinuxfr.or(...)
* http://www.delorie.com/web/lynxview.cgi?url=http%3A%2F%2Fwww.pompag(...)
Mais au delà de ses considérations, il te suffirait avec n'importe quel langage (php, perl, xslt) de ne garder que le contenu "texte" avec leur signification (h1, h2, hx,p, dl,dt,dd,ul,ol,li,address,blockquote).
Un site mal pensé ne pourra pas aisément être repris.
* http://www.delorie.com/web/lynxview.cgi?url=http%3A%2F%2Fwww.eiaj.c(...)
* http://www.eiaj.ch/v2/futur_ingenieur/info_form/titres/content.htm(...)
Un code comme celui-ci n'a aucun sens car il n'est pas sémantiquement correct. les hn sont émulés par des <span class="titlen">.
En connaissant la/les page(s) dont tu devras reprendre le contenu, tu peux t'en sortir avec des expressions régulières ou du xslt (si le code est valide xml). Mais un programme générique faisant ça me parait trop complexe vu la balkanisation du web : http://openweb.eu.org/humeurs/balkanisation/(...)
Si la solution existe, je serai intéressé. (RSS ?)