c 抓取html 内容,htmlcxx c抓取html

我已经从不同的人那里读到了许多关于库来抓取

HTML的不同问题.我决定使用htmlcxx,因为它看起来很简单,它在Ubuntu存储库中.无论如何,在玩htmlcxx时,我试图实现一个简单的任务并在标题标签之间抓取文本.使用迭代器,it-> text()返回标记本身,它 – > textClosing()返回标记的结束.我的问题是,我如何获得标签之间的数据？我的意思是,必须有一种方法,为什么要使一个库来抓取HTML而没有这个功能？如果有人能指出我正确的方向,我会很感激.

你可以看看我到目前为止用svn做了什么：

svn co svn：//yunices.dyndns.org/repository/nich/trunk.

这是有问题的特定片段：

void node::get_headings() {

tree<:html::node>::iterator it = dom.begin();

tree<:html::node>::iterator end = dom.end();

for (; it != end; ++it) {

static const boost::regex expression("[h|H][1-6]");

if(boost::regex_search(it->tagName(), expression)) {

it->parseAttributes();

std::cout << it->text() << "<=>" << it->closingText() << std::endl;

std::map<:string std::string> pairs = it->attributes();

for ( std::map<:string std::string>::const_iterator iter = pairs.begin();

iter != pairs.end(); ++iter ) {

std::cout << iter->first << ":" << iter->second << "\n";

}

}

}

}