本文在HMM7E的博文http://blog.csdn.net/hmm7e/article/details/7071705 HTML解析-第二版(C/C++)上修正了小部分错误,感谢他给予我的帮助
经修改后的工具类以及使用类大家可直接使用
基于某些不着边际想法,只为取得HTML页面上的所有“URL”和“文本”,其它的内容都不在关心之列。
问题:
对于“文本”搜索,如果搜索了除英文以外的语言还好说些,如果要搜索的内容是英文本,
那么就难以区分是“标记”还是“本文”了。对于“URL”的搜索,因为“标记”就是英文,
这样就绕回到“对于‘文本’搜索”。另外字母的大小写,被转义的字符,引号,尖括号,都得处理。
例如:
<a href="http://www.csdn.net" >csdn</a>
<script src="http://csdnimg.cn/xxxxxxxx.js" type="text/javascript"></script>
想要搜索“csdn”这个字符串,直接以字符串遍历的法能搜索到3个,其实呢只希望搜索到1个。
例如:
<a href="http://bbs.csdn.net" >论坛</a>
<a href="http://bbs.csdn.net" >论 坛</a>
<a href="http://bbs.csdn.net" >论 坛</a>
想要搜索“论坛”这个字符串,按语义上讲,希望在搜索时能搜到3个。
但直接以字符串遍历的法能搜到1个,原因在于加了“空格”后的字符串,
计算机不知道对于人来讲意思并没有变。
总结:
1:直接搜索特定字符串,不多了就是少了。
2:尝试过MS的COM库,功能强大且齐全,但耗费的资源也相当多。
3:耳熟能详的搜索引擎也跑过几个回合,因没有耐心翻遍所有网页只好放弃。
结论:
只能把HTML页面完整的解析完毕才能达找到想到的东西,尽管不是全部,但情况要好很多。
思路:
1.初步分析所有的HTML标签,将其分出必要的层次;
2.层次较高的标签可以对象化,而层次低一些的标签或元素按照用途及使用频率分别对待;
3.凡对象化的标签,在C语言中都可以声明为结构,未对象化的元素可以按性质以相应的数据类型进行存储。
要求:
1.不是所有的标签和元素都可以对象化的,那样会非常复杂;
2.所有被对象化的标签都必须写一套专用的解释和处理程序;
3.上述思路适合数据库的存储。
方法:
HTML语句结构是:<a href="http://www.csdn.net" >aaaa</a> 或 <link href="/favicon.ico" />
等等一连串类似的语句组成,并且只有嵌套没有循环(脚本只能算上面提到的“文本”)。
分界符(这个词本人自己的称呼)使用的是“ <>""''=空格 ”,把两个分界符之间的内容看作一个链表节点,
“标记”a与“标记”/a是“父”节点与“子”节点的关系,“标记”a与“标记”href是“兄弟”节点的关系。
这样的好处是不用关心“标记”含义,就可以把整个页面解析成一个二维链表。
纵向可以遍历“标记”和“文本”,横向可以找到“文本”对应用“URL”。
当然实际情况要复杂的多,种种异常情况都要考虑。如:转意字符,脚本中的括号对称验证等等,
最糟糕是碰到错误的语法,或者根本就不是HTML页面(这个就不属性本文说明范围了)。
还是一样
1:较“HTML解析-第一版(C/C++)” 减少了内存拷贝,速度相对提高很多。
2:代码在VS2008,VS2013下测试通过。#define _UNICODE #define _WIN32_WINNT 0x0600
3:解析方法:类似于构建一个map表(STL模板库里的map不利于阅读,可以参考MFC类库的CMap),最终组成一个二维的单向链表。
4:CHtmlObject 类负责解析HTML“标记”和“属性”。
//CHtmlObject.h//
#ifndef __JESONYANG_HTMLOBJECT_H__
#define __JESONYANG_HTMLOBJECT_H__
/*****************************************************************************************************************
created: 2011/12/03
author: JesonYang
blog: http://blog.csdn.net/yc7369
*****************************************************************************************************************/
#include <windows.h>
#include <tchar.h>
class CHtmlObject
{
public:
//
static BOOL IsSpace(TCHAR tcLetter);
protected:
struct tagNode
{
LPCTSTR s_pszKey;
LPCTSTR s_pszValue;
struct tagNode * s_pstRight; //attribute of tag
struct tagNode * s_pstNext; //next tag
};
public:
CHtmlObject(void);
virtual ~CHtmlObject(void);
//
enum { CHARSET_UTF8, CHARSET_UNICODE, CHARSET_MULTIBYTE }TextCharset; //字符集类型
protected:
//
tagNode * InnerAllocNode(); //分配新的html节点
void InnerFreeNode(tagNode * lpstNode); //删除html节点
void InnerLinkNextNode(tagNode * lpstNode); //下一个html节点
void InnerLinkRightNode(tagNode * lpstTagNode, tagNode * lpstNode); //右边的节点
void InnerCleanupNode(); //去除所有节点
void InnerCleanupRightNode(tagNode * lpstNode); //循环清除所有“属性”节点。
public:
//
void AutoTakeSnapshot(PBYTE lpszString, UINT nStringLen); //根据数据头获取相应编码
void TakeSnapshot(PBYTE lpszString, UINT nStringLen, UINT nFromCharset);
void DeleteSnapshot();
//
void Parse();
private:
//
void InnerParse();
LPTSTR InnerSplitComment(tagNode * lpstNode, LPTSTR lpszTagString);
LPTSTR InnerSplitTag(tagNode * lpstNode, LPTSTR lpszTagString);
LPTSTR InnerSplitContent(tagNode * lpstNode, LPTSTR lpszTagString);
LPTSTR InnerSplitText(tagNode * lpstNode, LPTSTR lpszTagString);
LPTSTR InnerSplitScript(tagNode * lpstNode, LPTSTR lpszTagString);
LPTSTR InnerSplitStyle(tagNode * lpstNode, LPTSTR lpszTagString);
protected:
//
LPTSTR m_pszSnapshotBuffer;
UINT m_nSnapshotBufferLen;
UINT m_nSnapshotStringLen;
//
tagNode * m_pstHead;
tagNode * m_pstTail;
};
#endif
//CHtmlObject.h//
//CHtmlObject.cpp//author: JesonYang
#pragma once
/*****************************************************************************************************************
created: 2011/12/03
author: JesonYang
blog: http://blog.csdn.net/yc7369
*****************************************************************************************************************/
#include "HtmlObject.h"
#include "HtmlHelper.h"
//
BOOL CHtmlObject::IsSpace(TCHAR tcLetter)
{
//以下字符在HTML标记里都算是空格。
return (tcLetter == _T(' ') || tcLetter == _T('\r') || tcLetter == _T('\n') || tcLetter == _T('\t'));
}
CHtmlObject::CHtmlObject(void)
{
m_pszSnapshotBuffer = NULL;
m_nSnapshotBufferLen = 0;
m_nSnapshotStringLen = 0;
m_pstHead = NULL;
m_pstTail = NULL;
}
CHtmlObject::~CHtmlObject(void)
{
DeleteSnapshot();
}
//
CHtmlObject::tagNode * CHtmlObject::InnerAllocNode()
{
CHtmlObject::tagNode * pstResult = new CHtmlObject::tagNode;
if (pstResult)
{
::ZeroMemory((LPVOID)pstResult, sizeof(CHtmlObject::tagNode));
}
return pstResult;
}
void CHtmlObject::InnerFreeNode(CHtmlObject::tagNode * lpstNode)
{
if (lpstNode)
delete lpstNode;
}
void CHtmlObject::InnerLinkNextNode(tagNode * lpstNode)
{
//链接到“尾”结点。
//1:如果没有“头”节点,那么表示链表是“空”的。
//2:如果已经存“头”节点,那么就链接新节点到“尾”节点,并重新记录“尾”节点指针。
if (m_pstHead == NULL)
{
m_pstHead = lpstNode;
m_pstTail = lpstNode;
}
else
{
m_pstTail->s_pstNext = lpstNode;
m_pstTail = lpstNode;
}
#ifdef _DEBUG
if (lpstNode->s_pszKey)
{
::OutputDebugString(_T("--"));
::OutputDebugString(lpstNode->s_pszKey);
::OutputDebugString(_T("--\r\n"));
}
if (lpstNode->s_pszValue)
{
::OutputDebugString(_T("--"));
::OutputDebugString(lpstNode->s_pszValue);
::OutputDebugString(_T("--\r\n"));
}
#endif //_DEBUG
}
void CHtmlObject::InnerLinkRightNode(tagNode * lpstTagNode, tagNode * lpstNode)
{
//链接到“属性”的“头”节点。
//1:把现有的“属性”链表,链接到当前新节点的下。
//2:把当前节点做为“头”节点保存。
lpstNode->s_pstRight = lpstTagNode->s_pstRight;
lpstTagNode->s_pstRight = lpstNode;
#ifdef _DEBUG
if (lpstNode->s_pszKey)
{
::OutputDebugString(_T("-->"));
::OutputDebugString(lpstNode->s_pszKey);
::OutputDebugString(_T("<--\r\n"));
}
if (lpstNode->s_pszValue)
{
::OutputDebugString(_T("-->"));
::OutputDebugString(lpstNode->s_pszValue);
::OutputDebugString(_T("<--\r\n"));
}
#endif //_DEBUG
}
void CHtmlObject::InnerCleanupNode()
{
//循环清除所有节点。如果存在“属性”节点一并清除。
CHtmlObject::tagNode * pstPrev = NULL;
while (m_pstHead)
{
pstPrev = m_pstHead;
m_pstHead = m_pstHead->s_pstNext;
//first
InnerCleanupRightNode(pstPrev);
//second
InnerFreeNode(pstPrev);
}
m_pstHead = NULL;
m_pstTail = NULL;
}
void CHtmlObject::InnerCleanupRightNode(CHtmlObject::tagNode * lpstNode)
{
//循环清除所有“属性”节点。
CHtmlObject::tagNode * pstHead = lpstNode->s_pstRight;
CHtmlObject::tagNode * pstPrev = NULL;
while (pstHead)
{
pstPrev = pstHead;
pstHead = pstHead->s_pstRight;
InnerFreeNode(pstPrev);
}
pstHead = NULL;
pstPrev = NULL;
}
//
void CHtmlObject::AutoTakeSnapshot(PBYTE lpszString, UINT nStringLen)
{
if (lpszString && nStringLen > 0)
{
//根据数据头自动判断是否需要转换数据到当前应程所使用的编码。
if (nStringLen >= 2)
{
if (lpszString[0] == 0xFF && lpszString[1] == 0xFE) // skip 0xFF,0xFE
{
TakeSnapshot(lpszString + 2, nStringLen - 2, CHtmlObject::CHARSET_UNICODE);
}
else if (lpszString[0] == 0xEF && lpszString[1] == 0xBB && lpszString[2] == 0xBF)// skip 0xEF,0xBB,0xBF
{
TakeSnapshot(lpszString + 3, nStringLen - 3, CHtmlObject::CHARSET_UTF8);
}
else
{
TakeSnapshot(lpszString, nStringLen, CHtmlObject::CHARSET_MULTIBYTE);
}
}
else
{
TakeSnapshot(lpszString, nStringLen, CHtmlObject::CHARSET_MULTIBYTE);
}
}
}
void CHtmlObject::TakeSnapshot(PBYTE lpszString, UINT nStringLen, UINT nFromCharset)
{
//delete old snapshot
DeleteSnapshot();
if (lpszString && nStringLen > 0)
{
//transform to TCHAR
if (CHtmlHelper::CHARSET_UTF8 == nFromCharset)
{
#ifdef _UNICODE
m_nSnapshotBufferLen = nStringLen;
m_pszSnapshotBuffer = new TCHAR[m_nSnapshotBufferLen];
::memset((LPVOID)m_pszSnapshotBuffer, 0, m_nSnapshotBufferLen*sizeof(TCHAR));
m_nSnapshotStringLen = ::MultiByteToWideChar(CP_UTF8, 0, (LPCSTR)lpszString, nStringLen, m_pszSnapshotBuffer, m_nSnapshotBufferLen);
#else
::OutputDebugString(_T("no support"));
#endif //_UNICODE
}
else if (CHtmlHelper::CHARSET_UNICODE == nFromCharset)
{
#ifdef _UNICODE
m_nSnapshotBufferLen = nStringLen;
m_pszSnapshotBuffer = new TCHAR[m_nSnapshotBufferLen];
::memset((LPVOID)m_pszSnapshotBuffer, 0, m_nSnapshotBufferLen*sizeof(TCHAR));
::memcpy((LPVOID)m_pszSnapshotBuffer, lpszString, nStringLen);
#else
m_nSnapshotBufferLen = nStringLen / 2 + 1;
m_pszSnapshotBuffer = new TCHAR[m_nSnapshotBufferLen];
::memset((LPVOID)m_pszSnapshotBuffer, 0, m_nSnapshotBufferLen*sizeof(TCHAR));
m_nSnapshotStringLen = ::WideCharToMultiByte(CP_ACP, 0, (LPWSTR)lpszString, nStringLen, (LPSTR)m_pszSnapshotBuffer, m_nSnapshotBufferLen, NULL, NULL);
#endif //_UNICODE
}
else
{
#ifdef _UNICODE
m_nSnapshotBufferLen = nStringLen;
m_pszSnapshotBuffer = new TCHAR[m_nSnapshotBufferLen];
::memset(m_pszSnapshotBuffer, 0, m_nSnapshotBufferLen*sizeof(TCHAR));
m_nSnapshotStringLen = ::MultiByteToWideChar(CP_ACP, 0, (LPCSTR)lpszString, nStringLen, m_pszSnapshotBuffer, m_nSnapshotBufferLen);
#else
m_nSnapshotBufferLen = nStringLen;
m_pszSnapshotBuffer = new TCHAR[m_nSnapshotBufferLen];
::memset((LPVOID)m_pszSnapshotBuffer, 0, m_nSnapshotBufferLen*sizeof(TCHAR));
::memcpy((LPVOID)m_pszSnapshotBuffer, lpszString, nStringLen);
#endif //_UNICODE
}
}
}
void CHtmlObject::DeleteSnapshot()
{
//先清除树型表。
InnerCleanupNode();
if (m_pszSnapshotBuffer)
delete[]m_pszSnapshotBuffer;
m_pszSnapshotBuffer = NULL;
m_nSnapshotBufferLen = 0;
m_nSnapshotStringLen = 0;
}
//
void CHtmlObject::Parse()
{
#ifdef _AFX
CString strTrace;
strTrace.Format(_T("CHtmlObject::Parse() --begin-->(%d)\r\n"), ::GetTickCount());
::OutputDebugString(strTrace);
#endif //_AFX
InnerParse();
#ifdef _AFX
strTrace.Format(_T("CHtmlObject::Parse() --end-->(%d)\r\n"), ::GetTickCount());
::OutputDebugString(strTrace);
#endif //_AFX
}
//
void CHtmlObject::InnerParse()
{
LPTSTR pszFind = m_pszSnapshotBuffer;
//跳过所有“空格”
while (*pszFind != _T('\0') && CHtmlObject::IsSpace(*pszFind))
{
//下一个字符
pszFind++;
}
//直到碰到'\0'就退出
do
{
// 不是“\0”,并且第一个字符为“<”则置换为“\0”,否则什么也不做。
//这么写的原因就在于InnerSplitContent()返回后 “<”可能已经被置换成“\0”。
if (*pszFind != _T('\0') && *pszFind == _T('<'))
{
//把“<”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//下一个字符。
pszFind++;
}
// 不是“\0”
if (*pszFind != _T('\0'))
{
//是否为注释
if (*pszFind == _T('!'))
{
//申请一个点节。
tagNode *pstNode = InnerAllocNode();
//解析注释,返回的是注释后面的内容。
pszFind = InnerSplitComment(pstNode, pszFind);
//链接到“链表”。(下)
InnerLinkNextNode(pstNode);
}
else
{
//申请一个点节。
tagNode *pstNode = InnerAllocNode();
//解析tag,返回的是tag后面的内容。
pszFind = InnerSplitTag(pstNode, pszFind);
//解析content返回的是content后面的内容。
pszFind = InnerSplitContent(pstNode, pszFind);
//链接到“链表”。(下)
InnerLinkNextNode(pstNode);
}
}
} while (*pszFind != _T('\0'));
}
LPTSTR CHtmlObject::InnerSplitComment(CHtmlObject::tagNode * lpstNode, LPTSTR lpszTagString)
{
LPTSTR pszFind = lpszTagString;
//指向注释开头(已经跳过“<”字符)
lpstNode->s_pszKey = pszFind;
//如果为 <!-- *** -->
if (::_tcsnicmp(pszFind + 1, _T("--"), 2) == 0)
{
//跳过注释标记“头”,开始查找。
pszFind += 3;
//查找到注释结尾,并给结尾加“\0”。
while (::_tcsnicmp(pszFind, _T("-->"), 3) != 0)
{
//下一个字符
pszFind++;
}
//不是“\0”
if (*pszFind != _T('\0'))
{
//把“>”置换为“\0”,做为注释结尾
*(pszFind + 2) = _T('\0');
//指向新的节点或内容。
pszFind += 3;
}
}
//否则为 <! *** >
else
{
//查找到注释结尾,并给结尾加“\0”。
while (*pszFind != _T('\0') && *pszFind != _T('>'))
{
//下一个字符
pszFind++;
}
//不能是“\0”
if (*pszFind != _T('\0'))
{
//把“>”置换为“\0”,做为注释结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
}
}
//找到一个“<”
while (*pszFind != _T('\0') && *pszFind != _T('<'))
{
//下一个字符
pszFind++;
}
return pszFind;
}
LPTSTR CHtmlObject::InnerSplitTag(CHtmlObject::tagNode * lpstNode, LPTSTR lpszTagString)
{
LPTSTR pszFind = lpszTagString;
//指向开头(已经跳过“<”字符)
lpstNode->s_pszKey = pszFind;
//查找tag结尾,并给结尾加“\0”。
while (*pszFind != _T('\0') && *pszFind != _T('>') && !CHtmlObject::IsSpace(*pszFind))
{
//下一个字符
pszFind++;
}
//不是“\0”
if (*pszFind != _T('\0'))
{
if (*pszFind == _T('>'))
{
//把“>”置换为“\0”,做为注释结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
//此tag没有属性,什么也不做了。
}
else
{
//把“space,\r,\n,\t ”置换为“\0”,做为注释结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
//如果不是结束标记,表示此tag有“属性”还需要解析“属性”。
if (*lpstNode->s_pszKey != _T('/'))
{
//跳过所有“空格”,找到第一个属性。
while (*pszFind != _T('\0') && CHtmlObject::IsSpace(*pszFind))
{
//下一个字符
pszFind++;
}
//循环分析“属性”。
while (*pszFind != _T('\0') && *pszFind != _T('<') && *pszFind != _T('>'))
{
//例:
// key="value" key=value
//跳过空格
while (*pszFind != _T('\0') && CHtmlObject::IsSpace(*pszFind))
{
//下一个字符
pszFind++;
}
//不是“\0”
if (*pszFind != _T('\0'))
{
//申请一个点节。
tagNode *pstAttributeNode = InnerAllocNode();
//指向“属性”Key。
pstAttributeNode->s_pszKey = pszFind;
//查找key的末尾.
while (*pszFind != _T('\0') && *pszFind != _T('=') && *pszFind != _T('>'))
{
//下一个字符
pszFind++;
}
//不是“\0”
if (*pszFind != _T('\0'))
{
if (*pszFind == _T('>'))
{
//把“>”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
//链接到“链表”(右)。
InnerLinkRightNode(lpstNode, pstAttributeNode);
//已经碰到“>”,需要跳出。
break;
}
else
{
//把“=”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
//不是“\0”
if (*pszFind != _T('\0'))
{
if (*pszFind == _T('"'))
{
//跳过“"”
pszFind++;
//指向“属性”key的Value。
pstAttributeNode->s_pszValue = pszFind;
//查找Value的末尾.
while (*pszFind != _T('\0') && *pszFind != _T('\"') && *pszFind != _T('>'))
{
//下一个字符
pszFind++;
}
//不是“\0”
if (*pszFind != _T('\0'))
{
//把“",> ”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
}
}
else if (*pszFind == _T('\''))
{
//跳过“'”
pszFind++;
//指向“属性”key的Value。
pstAttributeNode->s_pszValue = pszFind;
//查找Value的末尾.
while (*pszFind != _T('\0') && *pszFind != _T('\'') && *pszFind != _T('>'))
{
//下一个字符
pszFind++;
}
//不是“\0”
if (*pszFind != _T('\0'))
{
//把“",<space> ”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
}
}
else
{
//指向“属性”key的Value。
pstAttributeNode->s_pszValue = pszFind;
//查找Value的末尾.
while (*pszFind != _T('\0') && *pszFind != _T(' ') && *pszFind != _T('>'))
{
//下一个字符
pszFind++;
}
//不是“\0”
if (*pszFind != _T('\0'))
{
//把“ ”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
}
}
}
}
}
//链接到“链表”(右)。
InnerLinkRightNode(lpstNode, pstAttributeNode);
}
}
//跳过这个无用的字符。
if (*pszFind == _T('>'))
{
//指向新的节点或内容。
pszFind++;
}
}
}
}
return pszFind;
}
LPTSTR CHtmlObject::InnerSplitContent(CHtmlObject::tagNode * lpstNode, LPTSTR lpszTagString)
{
LPTSTR pszFind = lpszTagString;
if (::_tcsnicmp(lpstNode->s_pszKey, _T("script"), 6) == 0)
{
pszFind = InnerSplitScript(lpstNode, pszFind);
}
else if (::_tcsnicmp(lpstNode->s_pszKey, _T("style"), 5) == 0)
{
pszFind = InnerSplitStyle(lpstNode, pszFind);
}
else
{
pszFind = InnerSplitText(lpstNode, pszFind);
}
return pszFind;
}
LPTSTR CHtmlObject::InnerSplitText(CHtmlObject::tagNode * lpstNode, LPTSTR lpszTagString)
{
LPTSTR pszFind = lpszTagString;
//跳过所有“空格”
while (*pszFind != _T('\0') && CHtmlObject::IsSpace(*pszFind))
{
//下一个字符
pszFind++;
}
//如果 _T('<') 表示没有文本。
if (*pszFind != _T('<'))
{
//指向可见文本。
lpstNode->s_pszValue = pszFind;
//查找文本结尾。
while (*pszFind != _T('\0') && *pszFind != _T('<') && !CHtmlObject::IsSpace(*pszFind))
{
//下一个字符
pszFind++;
}
//不是“\0”
if (*pszFind != _T('\0'))
{
if (*pszFind == _T('<'))
{
//把“<”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
}
else
{
//把“space,\r,\n,\t,”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
//找到一个“<”
while (*pszFind != _T('\0') && *pszFind != _T('<'))
{
//下一个字符
pszFind++;
}
}
}
}
return pszFind;
}
LPTSTR CHtmlObject::InnerSplitScript(tagNode * lpstNode, LPTSTR lpszTagString)
{
LPTSTR pszFind = lpszTagString;
#define SCRIPT_MARK_MAX 1024
UINT nMarkIndex = 0;
TCHAR szMark[SCRIPT_MARK_MAX] = { _T('\0') }; //max 1024
//跳过所有“空格”
while (*pszFind != _T('\0') && CHtmlObject::IsSpace(*pszFind))
{
//下一个字符
pszFind++;
}
if (*pszFind != _T('\0') && *pszFind != _T('<'))
{
//指向可见文本。
lpstNode->s_pszValue = pszFind;
while (*pszFind != _T('\0'))
{
//如果字符被“',"”包围则为字符串,这期间不计算注释。
if (szMark[nMarkIndex] != _T('\'') && szMark[nMarkIndex] != _T('\"'))
{
//如果是// abc 则跳过。
if (::_tcsnicmp(pszFind, _T("//"), 2) == 0)
{
//跳过注释“头”。
pszFind += 2;
//查找注释“尾”。
while (*pszFind != _T('\0') && *pszFind != _T('\n'))
{
pszFind++;
}
//跳过注释“尾”。
if (*pszFind != _T('\0'))
pszFind++;
}
//如果是/* abc */则跳过。
else if (::_tcsnicmp(pszFind, _T("/*"), 2) == 0)
{
//跳过注释“头”。
pszFind += 2;
//查找注释“尾”。
while (::_tcsnicmp(pszFind, _T("*/"), 2) != 0)
{
pszFind++;
}
//跳过注释“尾”。
if (*pszFind != _T('\0'))
pszFind += 2;
}
}
if (*pszFind == _T('\\') &&
(*(pszFind + 1) == _T('\\') ||
*(pszFind + 1) == _T('(') || *(pszFind + 1) == _T(')') ||
*(pszFind + 1) == _T('[') || *(pszFind + 1) == _T(']') ||
*(pszFind + 1) == _T('{') || *(pszFind + 1) == _T('}') ||
*(pszFind + 1) == _T('\'') ||
*(pszFind + 1) == _T('\"')))
{
//转意字符
pszFind += 2;
}
else if (*pszFind == _T('{') || *pszFind == _T('(') || *pszFind == _T('[') || (*pszFind == _T('\'') || *pszFind == _T('\"')))
{
if (szMark[nMarkIndex] != _T('\'') && szMark[nMarkIndex] != _T('\"'))
{
if (nMarkIndex < SCRIPT_MARK_MAX)
{
if (nMarkIndex == 0 && szMark[nMarkIndex] == _T('\0'))
szMark[nMarkIndex] = *pszFind;
else
szMark[++nMarkIndex] = *pszFind;
}
}
else if (szMark[nMarkIndex] == *pszFind)
{
if (nMarkIndex >0)
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if (*pszFind == _T('}'))
{
if (szMark[nMarkIndex] == _T('{'))
{
if (nMarkIndex >0)
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if (*pszFind == _T(')'))
{
if (szMark[nMarkIndex] == _T('('))
{
if (nMarkIndex >0)
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if (*pszFind == _T(']'))
{
if (szMark[nMarkIndex] == _T('['))
{
if (nMarkIndex >0)
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if (*pszFind == _T('<') && szMark[0] == _T('\0')) //nMarkIndex == 0 &&
{
//把“<”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
break;
}
else
{
pszFind++;
}
}
}
return pszFind;
}
LPTSTR CHtmlObject::InnerSplitStyle(CHtmlObject::tagNode * lpstNode, LPTSTR lpszTagString)
{
LPTSTR pszFind = lpszTagString;
#define STYLE_MARK_MAX 1024
UINT nMarkIndex = 0;
TCHAR szMark[STYLE_MARK_MAX] = { _T('\0') }; //max 1024
//跳过所有“空格”
while (*pszFind != _T('\0') && CHtmlObject::IsSpace(*pszFind))
{
//下一个字符
pszFind++;
}
if (*pszFind != _T('\0') && *pszFind != _T('<'))
{
//指向可见文本。
lpstNode->s_pszValue = pszFind;
while (*pszFind != _T('\0'))
{
//如果字符被“(,',"”包围则为字符串,这期间不计算注释。
if (szMark[nMarkIndex] != _T('(') && szMark[nMarkIndex] != _T('\'') && szMark[nMarkIndex] != _T('\"'))
{
//如果是/* abc */则跳过。
if (::_tcsnicmp(pszFind, _T("/*"), 2) == 0)
{
//跳过注释“头”,查找注释“尾”。
pszFind += 2;
while (::_tcsnicmp(pszFind, _T("*/"), 2) != 0)
{
pszFind++;
}
//跳过注释“尾”。
if (*pszFind != _T('\0'))
pszFind += 2;
}
}
if (*pszFind == _T('{') || *pszFind == _T('(') || *pszFind == _T('[') || (*pszFind == _T('\'') || *pszFind == _T('\"')))
{
if (szMark[nMarkIndex] != _T('\'') && szMark[nMarkIndex] != _T('\"'))
{
if (nMarkIndex < STYLE_MARK_MAX)
{
if (nMarkIndex == 0 && szMark[nMarkIndex] == _T('\0'))
szMark[nMarkIndex] = *pszFind;
else
szMark[++nMarkIndex] = *pszFind;
}
}
else if (szMark[nMarkIndex] == *pszFind)
{
if (nMarkIndex >0)
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if (*pszFind == _T('}'))
{
if (szMark[nMarkIndex] == _T('{'))
{
if (nMarkIndex >0)
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if (*pszFind == _T(')'))
{
if (szMark[nMarkIndex] == _T('('))
{
if (nMarkIndex >0)
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if (*pszFind == _T(']'))
{
if (szMark[nMarkIndex] == _T('['))
{
if (nMarkIndex >0)
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if (*pszFind == _T('<') && szMark[0] == _T('\0')) //nMarkIndex == 0 &&
{
//把“<”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
break;
}
else
{
pszFind++;
}
}
}
return pszFind;
}
//CHtmlObject.cpp//
//CHtmlHelper.h//
#ifndef __JESONYANG_HTMLHELPER_H__
#define __JESONYANG_HTMLHELPER_H__
/*****************************************************************************************************************
created: 2011/12/03
author: JesonYang
blog: http://blog.csdn.net/yc7369
*****************************************************************************************************************/
#include "HtmlObject.h"
class CHtmlHelper :public CHtmlObject
{
public:
CHtmlHelper(void);
virtual ~CHtmlHelper(void);
public:
//
LPCTSTR GetFirstLink();
LPCTSTR GetNextLink();
LPCTSTR GetFirstContent();
LPCTSTR GetNextContent();
LPCTSTR SearchText(LPCTSTR lpszText);
protected:
//
CHtmlObject::tagNode * m_pstCur;
};
#endif
//CHtmlHelper.h//
//CHtmlHelper.cpp//
#pragma once
/*****************************************************************************************************************
created: 2011/12/03
author: JesonYang
blog: http://blog.csdn.net/yc7369
*****************************************************************************************************************/
#include "HtmlHelper.h"
#include <Shlwapi.h>
#pragma comment(lib, "Shlwapi.lib")
#pragma warning(disable: 4996)
CHtmlHelper::CHtmlHelper()
{
}
CHtmlHelper::~CHtmlHelper()
{
}
//
LPCTSTR CHtmlHelper::GetFirstLink()
{
LPCTSTR pszResult = NULL;
m_pstCur = m_pstHead;
while (m_pstCur && !pszResult)
{
if (0 != ::_tcsnicmp(m_pstCur->s_pszKey, _T("script"), 6) &&
0 != ::_tcsnicmp(m_pstCur->s_pszKey, _T("style"), 5))
{
CHtmlObject::tagNode * pstAttributeCur = m_pstCur->s_pstRight;
while (pstAttributeCur)
{
if (0 == ::_tcsnicmp(pstAttributeCur->s_pszKey, _T("href"), 4) ||
0 == ::_tcsnicmp(pstAttributeCur->s_pszKey, _T("src"), 3))
{
//return
pszResult = pstAttributeCur->s_pszValue;
break;
}
else
{
pstAttributeCur = pstAttributeCur->s_pstRight;
}
}
}
m_pstCur = m_pstCur->s_pstNext;
}
return pszResult;
}
LPCTSTR CHtmlHelper::GetNextLink()
{
LPCTSTR pszResult = NULL;
while (m_pstCur && !pszResult)
{
if (0 != ::_tcsnicmp(m_pstCur->s_pszKey, _T("script"), 6) &&
0 != ::_tcsnicmp(m_pstCur->s_pszKey, _T("style"), 5))
{
CHtmlObject::tagNode * pstAttributeCur = m_pstCur->s_pstRight;
while (pstAttributeCur)
{
if (0 == ::_tcsnicmp(pstAttributeCur->s_pszKey, _T("href"), 4) ||
0 == ::_tcsnicmp(pstAttributeCur->s_pszKey, _T("src"), 3))
{
//return
pszResult = pstAttributeCur->s_pszValue;
break;
}
else
{
pstAttributeCur = pstAttributeCur->s_pstRight;
}
}
}
m_pstCur = m_pstCur->s_pstNext;
}
return pszResult;
}
LPCTSTR CHtmlHelper::GetFirstContent()
{
LPCTSTR pszResult = NULL;
m_pstCur = m_pstHead;
while (m_pstCur && !pszResult)
{
if (0 != ::_tcsnicmp(m_pstCur->s_pszKey, _T("script"), 6) &&
0 != ::_tcsnicmp(m_pstCur->s_pszKey, _T("style"), 5))
{
if (m_pstCur->s_pszValue)
pszResult = m_pstCur->s_pszValue;
}
m_pstCur = m_pstCur->s_pstNext;
}
return pszResult;
}
LPCTSTR CHtmlHelper::GetNextContent()
{
LPCTSTR pszResult = NULL;
while (m_pstCur && !pszResult)
{
if (0 != ::_tcsnicmp(m_pstCur->s_pszKey, _T("script"), 6) &&
0 != ::_tcsnicmp(m_pstCur->s_pszKey, _T("style"), 5))
{
if (m_pstCur->s_pszValue)
pszResult = m_pstCur->s_pszValue;
}
m_pstCur = m_pstCur->s_pstNext;
}
return pszResult;
}
//
LPCTSTR CHtmlHelper::SearchText(LPCTSTR lpszText)
{
LPCTSTR pszResult = NULL;
CHtmlObject::tagNode *pstCur = m_pstHead;
while (pstCur && !pszResult)
{
if (0 != ::_tcsnicmp(pstCur->s_pszKey, _T("script"), 6) &&
0 != ::_tcsnicmp(pstCur->s_pszKey, _T("style"), 5))
{
if (pstCur->s_pszValue)
{
if ((NULL != ::StrStrI(pstCur->s_pszValue, lpszText)))
pszResult = pstCur->s_pszValue;
}
}
pstCur = pstCur->s_pstNext;
}
return pszResult;
}
#pragma warning(default: 4996)
//CHtmlHelper.cpp//