htmlcxx 解析 html 用法

最新推荐文章于 2023-06-07 20:43:18 发布

路边闲人2

最新推荐文章于 2023-06-07 20:43:18 发布

阅读量4.6k

点赞数

分类专栏： c++ 文章标签： html htmlcxx 解析

c++ 专栏收录该内容

74 篇文章 4 订阅

订阅专栏

htmlcxx使用C++编写，是一个简单的非验证式的css1和html解析器。虽然你可以找到一些其它的html解析库，但htmlcxx拥有一些特色功能，使得它不管在什么地方，就好像漆黑中的萤火虫一样，是那样的鲜明，那样的出众。

基于Kasper Peeters编写的，卓越非凡的 tree.hh 库，可以实现类似STL的DOM树遍历和导航
通过解析原始文件生成的树，逐字节地，精确的生成文档
打包好的Css解析器
可选的解析属性
看似很像C++代码的C++代码
原始文档中的标签/元素偏移量，都被存储到DOM树的节点中

Htmlcxx的解析策略其实是尝试模仿mozilla firefox( http://www.mozilla.org )的模式。因此解析那些由firefox所生成的结构类似的文档非常适合。然而不同于firefox浏览器，htmlcxx并不会将一些原本不存在的东西加入到所生成的文档当中去。因此，在将生成树进行序列化的时候，能够完全地还原和原始Byte大小一样的HTML文档。

官方目前（2013-08-09）最新的版本是0.85，但下载地址( http://sourceforge.net/projects/htmlcxx/ )，确是0.84的，没有找到更新的版本了。下载tar包解压后，可以直接用vs打开它的工程htmlcxx.vcproj。

直接生成的话，会提示"\html\utils.cc(17): error C2001: 常量中有换行符"的错误(如下图)。直接打开这个文件，在第17行中的双引号之间有隐藏的换行符，在vs下不可见，将双引号删除，重新手打一遍再生成就可以通过了。

还要设置htmlcxx运行库为多线程调试 (非常重要）否则会出现后期链接错误

htmlcxx生成错误

编译完之后，工程生成了一个htmlcxx.lib静态库文件。下面附上一个测试的详细例子。功能是：打开一个文件后，读取它的title内容。

一、新建一个控制台应用，引入htmlcxx的html目录，如下图

引入htmlcxx目录

二、引入htmlcxx.lib所在目录，如下图

引入htmlcxx.lib所在目录

三、指定htmlcxx.lib文件

指定htmlcxx.lib文件

四、设置运行库为多线程调试

设置htmlcxx运行库为多线程调试

在工程选项->链接->命令行最后一行加入 /NODEFAULTLIB:msvcrt.lib 禁用msvcrt.lib链接。否则会出现函数重定义。VS2005实测

五、全部代码如下

测试的HTML如下：

<html>
<body>
<table>		
<tr><th>sender</th><th>receiver</th><th>name</th><th>downloaded</th><th>type</th><th>time</th></tr>

<tr><th>sender</th><th>leader</th><th><A href="http://127.0.0.1:8080/getfile?md5=dca45b3f7735051a5eac8c158ca2fdb7">qt.conf</A></th><th>0</th><th>pic</th><th>2014-02-22/12:14:01</th></tr>

<tr><th>sender</th><th>leader</th><th><A href="http://127.0.0.1:8080/getfile?md5=aa803bf8ec4e0a92b74dd6c274acee84">qt中文.conf</A></th><th>0</th><th>pic</th><th>2014-02-22/14:21:41</th></tr>

</table>
</body>
</html>

main.cpp

#include <iostream>
#include <fstream>
#include "ParserDom.h"

#define strcasecmp _stricmp

using namespace std;
using namespace htmlcxx;

int main(int argc, char* argv[])
{
	fstream htmlFileStream;
	htmlFileStream.open( "C:/Users/along/Desktop/ddd.xml", ios::in ); //打开指定HTML文件，这里你需要修改成自己的文件地址
	istreambuf_iterator<char> fileBeg(htmlFileStream), fileEnd;
	string html( fileBeg, fileEnd );
	htmlFileStream.close(); 


	string url = "", JStr = "";
	string fileName = "";
	size_t offset = 0, length = 0;
	HTML::ParserDom parser;
	tree<HTML::Node> dom = parser.parseTree(html);
	tree<HTML::Node>::iterator it = dom.begin();
	for (; it != dom.end(); ++it)
	{
		if(!it->isTag())
			continue ;

		if (_strcmpi(it->tagName().c_str() ,"A")== 0) //查找链接<A href="http://sssss/xxx.html">xxx.html</A>
		{
			it->parseAttributes();
			if (it->attribute("href").first)
			{
				url = it->attribute("href").second;	
				fileName=it.node->first_child->data;//提取xxx.html
				//fileName = it->text();
				cout<<url<<endl;
				cout<<fileName<<endl;
			}
		}

	}
	system("pause");
	return 0;
}