Semestrální projekt do předmětu MI-RUB FIT ČVUT Praha.
Parsery:
Princip těchto úloh spočívá ve správném rozparsování vstupu. Ten se dá uložit do stromu a následnou kontrolou zjistit, zda jsou prvky správně zanořeny. Strom je vhodné reprezentovat objektově.
17. HTML parser (KS)
Vytvořte program, který dostane na vstup HTML soubor a na výstup dá hlášku, zda je soubor dobře utvořen. Nemusíte řešit všechny tagy, stačí <HTML>, <HEAD>, <TITLE>, <BODY>, <B>, <I>, <U>, <BR> a tagy pro tabulky a nadpisy. U každého tagu uvažujte pouze několik nejběžnejších parametrů, ale minimálně 3. Výstup zpracujte co nejpřehledněji.
Pro vypracování jsem využil ANTLR4Ruby. Pomocí něho jsem si vytvořil gramatiku. Při parsování textu (v Parseru) se mi víceméně automaticky kontroluje správnost syntaxe.
Přepsal jsem metodu error_message tak, aby mi vracela několik smysluplnějších hlášek specifických pro zpracování HTML. Proto jsem ale musel omezit zobrazení dalších chybových hlášek, takže se vždy zobrazí jen první chyba.
Ostatní chyby v gramatice jsou hlášeny pomocí standardních zpráv knihovny.
Poté, co se mi vytvoří lexer a parser, tak dostanu strom, který procházím pomocí stromové gramatiky HtmlPrinter.
Ta mi pomáhá poměrně výrazně ve formátování výstupu, protože tím, že to mám ve stromu a ten procházím, jsem schopný u jednotlivých uzlů zjistit jejich hloubku a tedy i zanoření při formátování.
Navíc jsem použil gem colorize pro obarvení výstupu v konzoli. Tato knihovna by se měla automaticky naistalovat díky použití gemfilu.
Rozeznávám jen několik základních tagů a jejich atributů. Nerozlišuji hodnoty atributů. Tedy nekontroluji, zda je daný atrbibut textový, nebo zda má mít hodnotu z výčtu jako left, right...
Spouštěcí soubor je v /bin/htmlparser/htmlparser
Usage: htmlParser [ options ] path/to/input_file...
Volitelné parametry:
-o, --output FILE Path to output file (output to STDOUT otherwise)
-h, --help Show help
Pokud není specifikován výstupní soubor, vypíše se zformátovaný text na standardní výstup.
Soubory pro testování je možné nalézt v /test/sample. Soubor test2.html obsahuje všechny použitelné tagy a atributy.
Zpracovávané tagy: html, head, title, body, div, p, table, tr, th, td, i, b, u, a, img, br, h1-h6 a jejich základní parametry