Foro - Perl en Español

Bienvenido a los foros de Perl en español, jacks.

Para generar los RSS, lo normal es quedarse con los titulares y con algo de texto, de cada entrada o página. Si las pasas a texto, puedes estar perdiendo el formato de la página, y ser más complicado el distinguir el título del resto.

Hay módulos en CPAN que ayudan a buscar la diferencia entre dos textos. Por ejemplo, String::Diff.

Lo malo es que cada sitio web tiene un formato de página, por lo que habría que hacer casi un programa distinto por cada una de ellas.

Yo uso algo así para saber cuándo hay nuevos mensajes en estos foros, en la página de "Ver temas activos". Para ello, uso el complemento "Update Scanner" para el Firefox 4. Podrías bajarlo, para ver su código (está en JavaScript, pero es fácil de seguir).

Naturalmente que se puede hacer como comentas, pero, ¿sabes qué formato tienen las páginas que vas a analizar?

En HTML, lo normal es usar las marcas <h1>, <h2>, ... <h6> para indicar cabeceras de sección, por lo que son una pista para localizar los titulares de las noticias. Y si son seguidas por marcas de párrafo <p>, pues con más seguridad.

Pero esto no es una regla universal. Depende de cada página. Solo tienes que elegir unas cuantas, para que te des cuenta de la dificultad que entraña.

Mientras que el HTML es un estándar, la disposición no lo es.

(En HTML5 hay más control sobre la semántica del contenido de una página.)

Quizás debas reducir el campo de aplicación, después de explicar la problemática a la que te enfrentas. Si tienes que justificarte ante un profesor, debes llegar a un acuerdo con él, para ver en cuáles y en qué páginas debes aplicar tu programa.

jacks escribiste:No sé si servirá, pero buscando en Internet y leyendo un poco que otro algún tutorial he encontrado que con el módulo XML::RSS y algún otro más como el parser se podría hacer algo.

Sí, en CPAN hay de todo.

jacks escribiste:Tengo que leerme un poco más su funcionalidad y métodos en CPAN, pero quería consultarte si es buena opción.

No lo conozco, lo siento. En CPAN hay decenas de miles de módulos. Es imposible conocerlos todos.

jacks escribiste:De todas formas no he dado mucho la programación en HTML pero por lo que me comentó mi compañero lo más seguro es que las páginas que utilizaremos utilicen <h1><h2>... para las cabeceras.

Pues es extraño, entonces, que hayas creado este hilo en el foro de Avanzado... quizás hubiera sido mejor que lo hubieras puesto en el de Básico. Las respuestas que recibirás son muy distintas, unas de otras.