Slo-tech rss feed

Ker morem na novo napisat vtičnik za rss, se ubadam s tem, da ST RSS XML ni tako čist kot je naprimer 24ur.com ampak je pomešan s htmljem. Naprimer:

<opis_novice>nVidiin čip, ki bo pokrival srednji del grafičnega trga, GF104, naj bi bil <a href="http://www.fudzilla.com/content/view/18404/1/">po poročanju Fudzille že na robu izdelave, saj je dosegel t.i. <a href="http://en.wikipedia.org/wiki/Tape-out">fazo tape-outa, ko je dizajn samega čipa dokončan, maske za <a href="http://en.wikipedia.org/wiki/Photolithography">fotolitografijo pa poslane v izdelavo. GF104 naj bi namesto linije GTX predstavljal <a href="http://vr-zone.com/articles/-rumour-nvidia-gf104-taped-out-summer-release/8797.html">linijo GTS 400, ki bo najverjetneje konkurirala ATI-jevi seriji 5700, medtem ko naj bi bil najhitrejši čip konkurenca celo Radeonu HD 5830. <a href="http://slo-tech.com/novice/t411353">Več na Slo-Techu</opis_novice> 

Kako naj to očistim?
Probal sem že Regex, pa mi odstrani tudi vsebino, znotraj html tagov.

Nared si parser, ki odstrani vse HTML značke v objavi - začne z < in konča z >. Vsebina se v tem primeru ohrani. V katerem jeziku programiraš?

Ker morem na novo napisat vtičnik za rss, se ubadam s tem, da ST RSS XML ni tako čist kot je naprimer 24ur.com ampak je pomešan s htmljem. Naprimer:

<opis_novice>nVidiin čip, ki bo pokrival srednji del grafičnega trga, GF104, naj bi bil <a href="http://www.fudzilla.com/content/view/18404/1/">po poročanju Fudzille že na robu izdelave, saj je dosegel t.i. <a href="http://en.wikipedia.org/wiki/Tape-out">fazo tape-outa, ko je dizajn samega čipa dokončan, maske za <a href="http://en.wikipedia.org/wiki/Photolithography">fotolitografijo pa poslane v izdelavo. GF104 naj bi namesto linije GTX predstavljal <a href="http://vr-zone.com/articles/-rumour-nvidia-gf104-taped-out-summer-release/8797.html">linijo GTS 400, ki bo najverjetneje konkurirala ATI-jevi seriji 5700, medtem ko naj bi bil najhitrejši čip konkurenca celo Radeonu HD 5830. <a href="http://slo-tech.com/novice/t411353">Več na Slo-Techu</opis_novice> 

Kako naj to očistim?
Probal sem že Regex, pa mi odstrani tudi vsebino, znotraj html tagov.

V regexu naredis 2 capture grupi (oziroma eno dodatno, cel regex je implicitno ena capture grupa). Ena capture grupa je cel regex (tag, text, tag), drugi capture je pa samo text med tagi. Odstranis prvo grupo iz vhoda in vstavis drugo. Ampak to je slepa ulica.

Je pa treba vedet, da HTMLja ne mores z regexom parsat, kar je bilo na faksu tudi razlozeno.

Lahko pa naredis kak analizator z uporabo DOM XML parserja (se mi zdi da tut na HTMLju dela).

Kot sm reku. DOM XML parser ti naredi lepo drevesno strukturo, po kateri se potem lahko sprehajas in izpisujes kar ti pac sede.
Edit: SAX XML parser je tut dovolj naceloma.