Всем привет!

Требуемый алгоритм
1. Считали HTML
2. Записали в базу
3. Считали ещё раз
4. Профильтровали ссылки (<a>) и отобразили только НОВЫЕ

Вот с 1-3 пунктами всё ок, а с 4 загвостка
Как идентифицировать ссылку, чтобы понять - вот эта ссылка, она есть и там и там, её не отображаем?
Мы можем сохранить путь к <a> (например, div, div, table, td, tr, a)
Но этот путь не идентифицирует ссылку УНИКАЛЬНЫМ образом.
Ссылок с таким текстом и таким путём может быть ОЧЕНЬ много в тексте
Надо как-то по другому

А как - хоть убей, не могу сообразить
Может, у кого-то есть идеи на этот счёт?

P.S. Реализую на Qt

Это сообщение отредактировал(а) Lindemann66 - 15.8.2011, 10:27

Алгоритм избавления от дубликатов + функтор? Или ты плохо объяснил суть проблемы?

Да, ты правильно понял. В отношени HTML

Но если проще - то нужно отфильровать СТАРЫЕ ссылки
Так точнее

Это сообщение отредактировал(а) Lindemann66 - 15.8.2011, 10:31

Вобщем, решено использовать href в качестве "идентифицирующего" элемента
Т.е., если ссылки с таким href не было - она новая
В противном случае - игнорируем

Также, нужно учитывать исчезнувшие ссылки - вдруг у них просто заменился href?

а что будешь делать, если в href стоит какой-нибудь .../latest_news.php ?

Место ссылки (где стоит сам тег <A>) будет идентифицировано вполне уникально. (Можно распарсить HTML в виде DOM дерева, и путь от корня до каждого элемента <A> будет его идентификатором)


С текстом - да, с путем - нет

NB. Ссылки из HTML бывают не только в виде тегов <A>