求教：htmlparser高手

Question

怎样把html里的内容提取到下面这种方式21:30,首都国际机场,23:55,江北国际机场,四川航空,3U8834,319,50,40,全价,￥1560,经济舱
<tbody data="2010-8-27 6:40:00|2010-8-27 8:50:00|PEK|PVG|CA|M|900||7|7|1,2,32,30|8.0">
<tr>
<td>
<p class="time_from"><strong>06:40</strong>出发</p>
<p class="time_to"><span>08:50</span>到达</p>
</td>
<td>
<p>首都国际机场</p>
<p>浦东国际机场</p>
</td>
<td class="flight_company">
<p><span class="pubFlights_ca flight_name">中国国航</span><span class="flight_airline">CA1871 </span></p>
<p class="flight_no">机型：<span mod_jmpinfo_page="fltDomestic_planeType.asp?CraftType=738" mod="jmpInfo" class="base_txtdiv">738</span>经济舱</p>
</td>
<td>
<p><strong class="base_price01">&yen;900</strong><span class="base_txtdiv" mod="jmpInfo" mod_jmpinfo_page="default_normal.asp" mod_jmpinfo_content="说明|经济舱全价：1130&lt;BR/&gt;H&nbsp;：经济舱">8.0折/H</span> </p>
<p><a onclick="showMore(this,GetShowAllSubclassParameter('CA1871 ',''))" class="show_fold" href="###">所有价格</a><span class="base_txtdiv" mod="jmpInfo" mod_jmpinfo_page="flight_policy_tab" mod_jmpinfo_content="退改签规定|同等舱位免费更改一次，再次更改需收取票面价10％的更改费，收费更改请到国航直属售票处办理。|需收取票面价10％的退票费。|不得签转。||">退改签</span></p>
  
</td>
<td>
<input type="button" class="btn_book" value="预 订" onclick="SelectFlight('CA1871', 'H', '900', 'NormalPrice', '','False')" />
<span mod="jmpInfo" mod_jmpinfo_page="default_normal" mod_jmpinfo_content="说明|" class="icon_gift" style="visibility: hidden">&nbsp;</span>
</td>
<td>
<div style="width: 124px;">
  
  
</div>
</td>
</tr>
<tr>
<td class="fltlist_details" colspan="6">
<p>机建＋燃油：50＋40元 | 飞行时间：2小时10分</p>
</td>
</tr>
</tbody>

Answer 1

我看你的页面内容好像要取的字段都是放在span里的，而且有css定义
所以我觉得可以根据css和tag_name做filter来取

Answer 2

格式不固定啊，没什么思路，我现在是不会取这些字符串，用正则写还不好写，tbody好像识别不出来
还有像“<p>首都国际机场</p>”里面还没有属性，还有的属性不唯一，根本写不出来。“根据css和tag_name做filter来取”这种应该怎么写啊

Answer 3

格式不固定是没戏 比方说 出发 和 到达 换了次序，并且改叫 起飞 和 降落， 那你怎么也取不到啊
程序员做程序员的事， 这种没有限制的程序是（目前）做不出来的实在要做的话，做一堆校验器，挨个校验输入的文本，比方说 有的校验器根据 tr里第一个td的第一个P的内容是以“出发”结束的； 有的校验器是根据 tr的第2个td的内容是xxxx机场。
通过校验器的判断，确定输入的文本是哪个格式的（基本上有段时间，某个页面的格式是固定的） 就用对应的分析器（就是具体进行数据提取的代码模块啦）来分析数据有一个格式的页面就加一个校验器和一个分析器
反正可扩展，总可以满足要求的

Answer 4

出发 和 到达 ， 这些字段是固定的，顺序不可能改变的，只要把里边的参数值取出来， 页面格式是固定的，
文本格式不固定没关系，我现在是里面的参数不会取
像这种“<p>机建＋燃油：50＋40元 | 飞行时间：2小时10分</p>”
我只要50 和40   
”<p>首都国际机场</p><p>浦东国际机场</p>“这种应该根据什么条件判断。