cpp 解析HTML之 htmlcxx
益英逸
html与xml格式上比较相似，但xml不并一定能支持html的解析。这里介绍一个c++解析html的开源项目： htmlcxx
一、代码示例
1、项目源码下载之后，使用vs打开即可，默认为生成.lib静态库及MTd模式，可以在属性中修改指定为MD/MDd（MTd在实际项目中运用相对比较少，具体得看宿主项目的编译模式为MT还是MD）。
2、HTML::ParserDom 对象可以将 html文本字符串解析为Dom格式，通过遍历dom 树形结构的指定节点，可以获取我们需要的数据。如下示例，非常简单。
#include <htmlcxx/html/ParserDom.h>
//Parse some html code
string html = "<html><body>hey</body></html>";
HTML::ParserDom parser;
tree<HTML::Node> dom = parser.parseTree(html);
//Print whole DOM tree
cout << dom << endl;
//Dump all links in the tree
tree<HTML::Node>::iterator it = dom.begin();
tree<HTML::Node>::iterator end = dom.end();
for (; it != end; ++it)
{
if (it->tagName() == "A")
{
it->parseAttributes();
cout << it->attributes("href");
}
}
//Dump all text of the document
it = dom.begin();
end = dom.end();
for (; it != end; ++it)
{
if ((!it->isTag()) && (!it->isComment()))
{
cout << it->text();
}
}
二、源码分析和学习
1、实现一个ci_string类型
//ci_string.h
#ifndef __CI_STRING__
#define __CI_STRING__
#include <cctype>
#include <string>
struct ci_char_traits : public std::char_traits<char>
// just inherit all the other functions
// that we don't need to override
{
static bool eq( char c1, char c2 ) {
return tolower(c1) == tolower(c2);
}
static bool ne( char c1, char c2 ) {
return tolower(c1) != tolower(c2);
}
static bool lt( char c1, char c2 ) {
return tolower(c1) < tolower(c2);
}
static int compare( const char* s1,
const char* s2,
size_t n ) {
#ifdef WIN32
return _strnicmp(s1, s2, n);
#else
return strncasecmp( s1, s2, n );
#endif
// if available on your compiler,
// otherwise you can roll your own
}
static const char*
find( const char* s, int n, char a ) {
while( n-- > 0 && tolower(*s) != tolower(a) ) {
++s;
}
return s;
}
};
typedef std::basic_string<char, ci_char_traits> ci_string;
#endif
这里思考一下，我们知道
using string = basic_string<char, char_traits<char>, allocator<char>>;
这里作者的本意应该也是在std::string 类型的基础上实现几个静态成员函数，那为什么不直接继承于 std::string，而是 public std::char_traits呢？
这里一定要注意，basic_string的析构函数是不带virtual关键字，同样，std::string 也没有带virtual关键字的析构函数。假设一个子类继承于std::string，那么子类对象将无法被正确执行析构函数而导致错误。
2、debug.h
//debug.h
#ifdef DEBUGP
#undef DEBUGP
#endif
#ifdef __cplusplus
#include <cstdio>
#if defined(WIN32) && !defined(__MINGW32__)
#include <cstring>
#endif
#else
#include <stdio.h>
#if defined(WIN32) && !defined(__MINGW32__)
#include <string.h>
#endif
#endif
#if defined(WIN32) && !defined(__MINGW32__)
#ifndef __DEBUG_H__
#define __DEBUG_H__
#include <stdarg.h>
inline void debugprintf(const char *format, ...)
{
va_list ap;
char *f = NULL;
const char *p="%s:%d ";
size_t plen = strlen(p);
va_start(ap, format);
f = (char *)malloc(plen + strlen(format) + 1);
if (!f) return;
memcpy(f, p, plen);
memcpy(f + plen, format, strlen(format) + 1);
vfprintf(stderr, f, ap);
va_end(ap);
free(f);
}
inline void dummyprintf(const char *format, ...)
{}
#endif
#endif
#ifdef DEBUG
#if defined(WIN32) && !defined(__MINGW32__)
#define DEBUGP debugprintf
#else
#define DEBUGP(args...) do { fprintf(stderr, "%s:%d ", __FILE__, __LINE__); fprintf(stderr, ## args); } while(0)
#endif
#else
#if defined(WIN32) && !defined(__MINGW32__)
#define DEBUGP dummyprintf
#else
#define DEBUGP(args...)
#endif
#endif
这哪有两个需要注意和学习的地方。
1、几个常用的宏
__cplusplus 判断当前为C++的宏
DEBUG 判断当前为Debug模式的宏
__FILE__ 文件名
__LINE__ 当前行
__FUNCTION__ 函数名
2、可变参函数 …
va_list ap; ///<<==
char *f = NULL;
const char *p="%s:%d ";
size_t plen = strlen(p);
va_start(ap, format); ///<<==
f = (char *)malloc(plen + strlen(format) + 1);
if (!f) return;
memcpy(f, p, plen);
memcpy(f + plen, format, strlen(format) + 1);
vfprintf(stderr, f, ap);
va_end(ap); ///<<==
后面接下片吧。忙其他的去了~ 小羊人的自律
类似资料：