0

Спарсил исходный код страницы. На всю разметку пофиг. Нужно вычленить слова длинной, допустим 7 символов, в которых первая буква Н.

Из языка разметки пусть тоже берутся такие слова. Пока опустим усложнения, пускай это будут цифры. В любой кодировке ведь тоже самое? Если нет, то пусть будет UTF8. Как то так.

3
  • 1
    Тут основной вопрос в том, что именно Вы называете словом и сомволом (зависит от кодировки, может ли она меняться внутри страницы, как это отслеживать...) и кучи других мелочей, которые Вы не описали.
    – avp
    30 мая 2014 в 15:46
  • 1
    Нет, на разметку как раз не пофиг. Комментарии, текст на js, inline css Александр Сергеевич за вас фильтровать будет?
    – VladD
    30 мая 2014 в 16:23
  • @Korts: Ещё раз: дайте строгое определение того, что вы считаете словом. Если последовательность цифр, игнорируя разметку, задача несложная: начали с начала текста, в цикле по символам * пропустили всё до первой цифры. если при этом встретился конец текста, финиш, иначе запомнили позицию. * пропустили всё до первой не-цифры, запомнили позицию * между двумя позициями очередное слово * перешли к следующей итерации цикла Перед началом работы раскодируйте текст так, чтобы символы были одинаковой ширины (в UCS-2 или UCS-4).
    – VladD
    1 июн 2014 в 21:41

1 ответ 1

3

Если отвлечься от условностей, которые начинаются странным словом "спарсил" и заканчиваются кодировкой (будем считать, что речь идёт про us-ascii), то задача сводится к следующей:

Выделить из строки все слова длиной не менее N символов. Словом считать последовательность цифр, все остальные символы - разделители.

OK, пишем на C - просто для разжёвывания алгоритма по шагам:

static int
is_valid_char( char c )
{
    /* только цифры, можно было бы и isdigit(), но для наглядности */
    return (int)strchr( "0123456789", c );
}

static void
store_word( char * word )
{
    /* просто выводим и освобождаем память */
    printf( "%s\n", word );
    free( word );
}

size_t
find_words( const char * s, size_t min_length )
{
    size_t words_found = 0;
    size_t word_length;
    const char * end = s;
    const char * start;

    while( *end )
    {
        while( *end && !is_valid_char( *end ) ) end++;
        start = end;

        while( *end && is_valid_char( *end ) ) end++;
        word_length = end - start;

        if( word_length >= min_length )
        {
            char * word = (char *)malloc( word_length + 1 );
            memcpy( word, start, word_length );
            word[word_length] = 0;
            store_word( word );
            words_found++;
        }
    }
    return words_found;
}

Проверяем:

int 
main()
{
    return printf( "words found: %u\n", find_words( "1234 567 56a78988", 4 ) ) == EOF;
}

Вывод:

1234
78988
words found: 2

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge that you have read and understand our privacy policy and code of conduct.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.