HTML解析库Gumbo的使用（一）

最新推荐文章于 2024-05-27 09:45:56 发布

fjb2080

最新推荐文章于 2024-05-27 09:45:56 发布

阅读量8.7k

点赞数

分类专栏： C/C++ QT WEB技术

本文链接：https://blog.csdn.net/fjb2080/article/details/78992851

版权

C/C++ 同时被 3 个专栏收录

90 篇文章 3 订阅

订阅专栏

60 篇文章 2 订阅

订阅专栏

WEB技术

60 篇文章 0 订阅

订阅专栏

Gumbo结构关系图如下：

测试htm文件内容如下(a.html)：

<html>
<head>
<title> I'm a title</title>
</head>
<body link="#0000cc">
I'm a body text
<div>

</div>
</body>
</html>

代码如下（mian.cpp）：

#include <QCoreApplication>
#include <QFile>
#include <QDebug>
#include <iostream>
#include "gumbo/gumbo.h"

int main(int argc, char *argv[])
{
    QCoreApplication a(argc, argv);

    QFile file("a.html");
    if (!file.open(QFile::ReadOnly)){
        qDebug()<<"open file failed!";
        return -1;
    }

    QByteArray html = file.readAll();
    std::cout<<html.toStdString();

    int input_length = html.length();
    GumboOutput* output = gumbo_parse_with_options(
          &kGumboDefaultOptions, html.toStdString().c_str(), input_length);

    // ===== start

    const GumboVector *root_children = &output->root->v.element.children;
    GumboNode* head = NULL;
    for (int i = 0; i < root_children->length; ++i) {
        GumboNode* child =(GumboNode*) root_children->data[i];
        if (child->type == GUMBO_NODE_ELEMENT/* && child->v.element.tag == GUMBO_TAG_HEAD*/) {
            std::cout<<"tag:"<<gumbo_normalized_tagname(child->v.element.tag)<<std::endl;

            // node children start =====
//            if (child->v.element.tag == GUMBO_TAG_HEAD){
                GumboVector *head_children = &child->v.element.children;
                for(int i=0; i<head_children->length; ++i){
                    GumboNode *child2 = (GumboNode*)head_children->data[i];
                    if (child2->type != GUMBO_NODE_ELEMENT && child2->type != GUMBO_NODE_DOCUMENT)
                    {
                        //节点结束时会换行，换行、空白符也算上是一个节点，类型是：GUMBO_NODE_WHITESPACE
                        std::cout<<"node is text:"<<child2->v.text.text<<std::endl;
                        continue;
                    }
                    std::cout<<"tag:"<<gumbo_normalized_tagname(child2->v.element.tag)<<std::endl;
                    if (child2->type == GUMBO_NODE_ELEMENT/* && child2->v.element.tag == GUMBO_TAG_TITLE*/)
                    {
                        // 元素里面的文本，例如<head>I'm a title</head>,里面的文本也是作为<head>元素里的子节点
                        GumboNode * title_node = (GumboNode*)child2->v.element.children.data[0];
                        if(title_node && title_node->type == GUMBO_NODE_TEXT){
                            std::cout<<"tag is text:"<<title_node->v.text.text<<std::endl;
                        }
                    }
                }
            //}
            //break;
          // node childre end =====
        }
    }

    // ===== end



    gumbo_destroy_output(&kGumboDefaultOptions, output);
      //free(input);

    return 0;
}

Gumbo说明：

1、整个html文档，就是Gumbo的文档节点，是<html></html>的全部，节点类型是：GUMBO_NODE_DOCUMENT

2、每个标签（例如：<head><body>）是一个节点，节点类型是：GUMBO_NODE_ELEMENT。标签里面的的属性定义是属性。

3、标签的子节点是标签括起来的部分，包括标签的换行"\n"（标签类型为：GUMBO_NODE_WHITESPACE），标签里面的文本（标签为元素标签，并且tag是文本）。

例如上面的html代码：

<html></html>是文档节点，换行"\n"、<head>和<body>是其子节点，节点类型分别是：GUMBO_NODE_WHITESPACE、GUMBO_NODE_ELEMENT和GUMBO_NODE_ELEMENT。

<head>标签节点的子节点是：换行"\n"，<title>、文本节点（” I'm a title“）。

运行结果：

其中：

tag:head

node is text:

这里有两次换行，一次是这个节点本身是换行，另外是代码程序的换行。

fjb2080

关注

0
点赞
踩
14

收藏

觉得还不错? 一键收藏
4
评论
HTML解析库Gumbo的使用（一）

Gumbo结构关系图如下：测试htm文件内容如下(a.html)： I'm a titleI'm a body text代码如下（mian.cpp）：#include #include #include #include #include "gumbo/gumbo.h"int main(int argc, char *argv[]){
复制链接

扫一扫

专栏目录