一个C++解析HTML的库

HTTP协议使用广泛，相应的，C++在这块需求也开始增加。一个好的解析库可以达到事半功倍的效果，在此贴出我的解析库的代码，方便新手朋友们使用。

hHttpParse.h

#ifndef __H_HTML_PARSE_H__
#define __H_HTML_PARSE_H__

#pragma once

#include <Windows.h>
#include <WinInet.h>
#include <string>
#include <cstdio>

class hHtmlParse {
	std::string data;
	int p;
public:
	//构造函数，传入HTML代码
	hHtmlParse (std::string& data);
	//获取网页的编码方式
	bool GetCharset (std::string& s);
	//设置当前解析位置
	bool SetPos (const char* find);
	//设置当前解析位置（反向查找目标位置）
	bool SetPos_LastOf (const char* find);
	//查找是否存在目标位置，不会更新当前位置
	bool find (const char* find);
	//匹配一串字符串，使用sscanf_s获取
	bool MatchString (const char* match, std::string& s);
	//获取当前电脑IP地址
	static bool GetLocalIp (std::string& ip);
	//查询某地址或某域名信息
	static bool GetAddrMessage (const wchar_t* addr, std::string& data);
	//关键函数，获取lpURL指向的地址的HTML代码，并存入data中
	static bool UrlGetHtml (LPCWSTR lpURL, std::string& data);
};

#endif //__H_HTML_PARSE_H__

hHttpParse.cpp

#include "hHtmlParse.h"

#pragma comment(lib, "WinInet.lib")

hHtmlParse::hHtmlParse (std::string& data) {
	this->data = data;
	this->p = 0;
}

bool hHtmlParse::GetCharset (std::string& s) {
	this->SetPos ("charset=");
	return this->MatchString ("%*[\"]%[^\"]", s);
}

bool hHtmlParse::SetPos (const char* find) {
	int t = this->data.find (find, p);
	if (-1 == t) return false;
	this->p = t + strlen (find);
	return true;
}

bool hHtmlParse::SetPos_LastOf (const char* find) {
	int t = this->data.rfind (find);
	if (-1 == t) return false;
	this->p = t + strlen (find);
	return true;
}

bool hHtmlParse::find (const char* find) {
	int t = this->data.find (find, p);
	return t != -1;
}

bool hHtmlParse::MatchString (const char* match, std::string& s) {
	return sscanf_s (&data.c_str () [p], match, const_cast<char*>(s.c_str ()), s.capacity ()) > 0;
}

bool hHtmlParse::GetLocalIp (std::string& ip) {
	std::string page, match;
	page.resize (512);
	match.resize(16);
	if (!hHtmlParse::UrlGetHtml (L"http://1111.ip138.com/ic.asp", page)) return false;
	hHtmlParse hp (page);
	hp.SetPos ("<center>");
	hp.MatchString ("%*[^0-9]%[0-9.]", match);
	ip.clear ();
	ip = match.c_str ();
	return true;
}

bool hHtmlParse::GetAddrMessage (const wchar_t* addr, std::string& data) {
	data.clear ();
	std::wstring link = L"http://www.ip138.com/ips138.asp?ip=";
	std::string page, match;
	link += addr;
	page.resize (16384);
	match.resize (64);
	if (!hHtmlParse::UrlGetHtml (link.c_str (), page)) return false;
	hHtmlParse hp (page);
	hp.SetPos_LastOf ("<table");
	hp.SetPos ("<td");
	hp.SetPos ("<td");
	bool b = true;
	if (hp.find (">>")) {
		b = false;
		hp.SetPos (">>");
		hp.MatchString ("%*[^0-9]%[0-9.]", match);
		data = match.c_str ();
	}
	hp.SetPos ("<ul");
	while (hp.find ("<li")) {
		hp.SetPos ("：");
		hp.MatchString ("%[^<]", match);
		if (b) b = false; else data += "\n";
		data += match.c_str ();
	}
	return true;
}

bool hHtmlParse::UrlGetHtml (LPCWSTR lpURL, std::string& data) {
	HINTERNET hSession = InternetOpenW (L"EmotionSniffer", NULL, NULL, NULL, INTERNET_FLAG_NO_CACHE_WRITE);
	if (!hSession) return FALSE;
	HINTERNET hFile = InternetOpenUrlW (hSession, lpURL, NULL, NULL, INTERNET_FLAG_RELOAD, NULL);
	if (!hFile) {
		InternetCloseHandle (hSession); return FALSE;
	}
	DWORD dwW = 0, dwR = 0;
	int capacity = data.capacity ();
	do {
		dwW += dwR;
		if (dwW != 0 && dwR == 0) break;
		if (dwW + 1024 >= capacity) data.resize (capacity *= 2);
	} while (InternetReadFile (hFile, (LPVOID) (data.c_str () + dwW), 1024, &dwR));
	const_cast<char*>(data.c_str ()) [dwW] = '\0';
	InternetCloseHandle (hFile);
	InternetCloseHandle (hSession);
	return TRUE;
}

简要说明下使用方法。首先是封装的三个静态函数， GetLocalIp 和 GetAddrMessage 这俩是通过调用 www.ip138.com 动态查询获取的结果，调用这个库实现。使用这个库时可以参照上面两个函数的代码； UrlGetHtml 是通过 Windows 的 Internet API 实现从 URL 指定的地址下载网页。

重点说说这个库的使用方法，我就说说 hHtmlParse::GetLocalIp 则函数的实现，方法大多类似。

1、字符串定义

std::string page, match;
page.resize (512);
match.resize (16);

其中 page 用作保存 HTML 代码， match 用作保存匹配的字符串，也就是网页中需要获取的数据。由于访问的数据不大，所以 page 设置 512 字节足够。这儿也可以不用设置大小的， UrlGetHtml 实现的比较智能，可以自动扩展大小。设置一个大小只是可以减少内存 I/O ，提高执行速度。另外这儿也给 match 设置一个大小。对于IP地址来说，16字节足够了。

2、获取网页HTML代码

if (!hHtmlParse::UrlGetHtml (L"http://1111.ip138.com/ic.asp", page)) return false;

这句话的意思就是下载网页并将网页代码保存在 page 中，如果执行失败则返回。

3、创建解析对象

hHtmlParse hp (page);

这句代码用于创建一个解析对象，传入的数据为网页HTML字符串。
这里我们看看ip138的网页代码：

<html>
<head>
<meta http-equiv="content-type" content="text/html; charset=gb2312">
<title> 您的IP地址 </title>
</head>
<body style="margin:0px"><center>您的IP是：[123.144.*.*] 来自：XX市 联通</center></body></html>

地址和位置打码了，大家看得懂就行了。我们先来分析分析，需要获取地址的代码前面有一个 <center> 是吧？那就把位置设置在这儿吧。。。
4、设置当前解析位置

hp.SetPos ("<center>");

在这个解析库内部维护着一个字符指针，假如说网页前面的都解析过了，需要解析后面的，那就在解析时给字符指针赋值，然后下次解析时从字符指针位置开始解析，既方便网页处理，也提高解析速度，一举两得。这行代码的意思就是将内部维护的地址放在 <center> 这儿，下次调用时直接从这儿开始了。

5、获取匹配字符串，也就是IP地址

hp.MatchString ("%*[^0-9]%[0-9.]", match);

这儿就是获取匹配字符串的代码了 ，第一个参数为sscanf函数需要的那个字符串，match返回匹配的结果。简要说说这个字符串的意思，需要深究的自行bing。

%*[^0-9]   %*表示跳过，不匹配，[]表示匹配的内容，^表示非，0-9表示那十个数字。连起来的意思就是跳过所有不是0-9的字符。

%[0-9.]   %表示匹配，0-9.表示匹配的内容为那十个数字和小数点，一直到非0-9或小数点为止。

代码到这儿就已经获取了匹配的ip了，接下来的内容就是简单的处理了。

6、简单处理并返回

ip.clear ();
ip = match.c_str ();
return true;

由于匹配是通过 const_cast<char*>(s.c_str()) 赋值（这行代码可以在 hHtmlParse::MatchString 函数中找到），所以，在执行步骤6这段代码前，调用 match.length() 实际上返回的是不固定值，虽然不固定但是有数据。所以，假如非得在 const_cast<char*>(s.c_str()) 之后获取字符串长度，只能用lstrlen。

这几行代码大家应该都懂，简要说说第二行，意思是调用 std::string 的重载函数 operator=(char*) ，这样可以刷新 std::string 的长度，执行第二行代码之后，ip中的数据可以直接调用 length() 来获取长度了。

使用步骤描述完毕，同学们如果需要解析其他网页在相应地方修改就行了。另外， SetPos 和 MatchString 并不是只能调用一次的，只要找网页方便，并且保证对象内部维护的指针还没到末尾，就可以重复调用这些函数了。