Parsear HTML

[ecfisa]

Hola.

Empezado por lago

...
Lo que necesito es extraer las rutas de las imágenes <img src="http://SITIO/IMAGEN.JPG"> de un fichero HTML que descargo.
...

Otra opción para extraer las rutas bajo la condición que las cadenas comiencen en "<img src=" y terminen en "jpg">:

Código PHP:

void getUrls(TStrings *source, TStrings *target)
{
  const char* INI = "<img src=\"";
  const char* FIN = "jpg\">";

  target->Clear();
  TStrings *ori = new TStringList;
  try
  {
    ori->Text = source->Text;
    for ( int i = 0; i < ori->Count; i++ )
    {
      AnsiString aux = ori->Strings[i];
      int p = aux.Pos(INI);
      if ( p )
      {
        p += strlen(INI) - 1;
        aux = aux.SubString(p+1, aux.Length());
        aux = aux.SubString(1, aux.Pos(FIN) + 2);
        target->Add(aux);
      }
    }
  }
  __finally
  {
    delete(ori);
  }
} 


Ej. uso:

Código PHP:

void __fastcall TForm1::Button1Click(TObject *Sender)
{
  getUrls(Memo1->Lines, Memo2->Lines); 
} 


Resultado de la prueba:


Saludos

[lago]

Si que es cierto lo que decís, es peliagudo parsear una codificación que aún teniendo un standar es flexible como para que cada uno lo haga como le da la gana. En este caso me metí en este jardín por que solo tengo que parsear la salida html de dos páginas muy concretas.

Ecfisa muchas gracias por tu código, junto con el de escafandra me han venido genial!

Muchas gracias a todos por vuestras respuestas

Un saludo!!

Jorge.