Import von HTML-Dateien

[Guest]

Hallo,

Wie könnte ich vorgehen, wenn ich aus einer HTML-Datei zwei bestimmte Tabellen parsen will, die in ihrer Semantik immer den selben Aufbau haben, aber vom Layout her so unterschiedlich aufgebaut sind, dass sich hier keine allgemeingültigen Regeln zum parsen definieren lassen!

RegEx, untersuchen von Teilbäumen etc. ist eben zu regelbasiert, und es hat sich bei den Testdaten als äußerst unzuverlässig erwiesen.

Würden da evtl. KNN´s weiterhelfen?

Ich wäre euch für jede Anregung dankbar!

Gruß
M.

 

[FArt]

http://www.google.de/search?hl=de&q=java+parse+html&btnG=Google-Suche&meta=?

 

[Guest]

Danke für den Link.

Du hast aber meine Fragestellung anscheinend nicht ganz verstanden, denn genau das mache ich ja bereits: Ich verwende einen HTML-Parser der mir einen Objektbaum zurückgibt, über den ich dann traversiere.

Auf einzelne Elementinhalte wende ich dann reguläre Ausdrücke an, aber das ist erst der 2. Schritt.

Wie gesagt - das größte Problem liegt daran, die richtigen Knoten zu erkennen, denn es gibt zuviele Variatonen.

 

[Leroy42]

Wie gesagt - das größte Problem liegt daran, die richtigen Knoten zu erkennen, denn es gibt zuviele Variatonen.

Ja und was willst du jetzt genau wissen?
Wie definieren sich die Variationen?

 

[maki]

Am besten Vergleicht man Daten im sleben Format, d.h. entweder eine oder beide Tabellen auf ein Format konvertieren.

 

[Guest]

Wie gesagt - das größte Problem liegt daran, die richtigen Knoten zu erkennen, denn es gibt zuviele Variatonen.

Ja und was willst du jetzt genau wissen?
Wie definieren sich die Variationen?

Folgende Variationen sind möglich:

- Es befinden sich mehr als nur die 2 gesuchten Tabellen im selben Dokument (bis zu 20), die zu allem Überfluss auch noch identische Positionen haben können.

- Selbst wenn man die richtige Tabelle erwischt, kommen folgende Probleme hinzu: Die Positionsbezeichnungen müssen gegen ein Lexikon geprüft werden. Das funktioniert aber nur, solange sich der Text für die Positionsbezeichnung in einer einzelnen Zelle befindet. Mehrzeilige Positionsbezeichnungen erstrecken sich entweder über mehrere Zellen, Zeilen oder auch beides zusammen und enthalten variable Tags dazwischen, die das ganze wiederum erschweren.

Woher weis jetzt also mein Programm, ob dies noch teil einer vorherigen Position ist oder schon die nächste Position?

- Überschriften der Tabellen sind nicht eindeutig

- Die 2 gewünschten Tabellen können eintweder getrennt als einzelene Tabellen, oder auch zusammen in einer einzigen vorkommen.

- Zahlenwerte sind teilweise unterschiedlich formatiert, einmal in Euro, dann in Tausend Euro, es gibt keine Möglichkeit dies zu unterscheiden.

Ich könnte das ganze noch fortsetzen, dies sind aber im Moment die Hauptschwierigkeiten