您的位置：首页 > Web前端 > HTML

用htmlcxx解析从libcurl中获取到的web网页源码

2013-10-30 11:29 405 查看

0、前言：

结合上一篇blog文，已经大体知道了如何使用libcurl来获取网页的源代码（使用libcurl获取经过gzip压缩的网页文件），下来我们在配合htmlcxx，解析用libcurl获取到的网页源代码。

1、相关源代码：

封装的libcurl的类的代码，在上一篇文章中（使用libcurl获取经过gzip压缩的网页文件）；这里主要看主要部分：

// AnalysisHtml.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include <string.h>
#include <iostream>
#include <fstream>
#include "html/ParserDom.h"
#include <stdlib.h>
#include <stdio.h>
#include "html/utils.h"
#include "GetPageByURL.h"

using namespace std;
using namespace htmlcxx;

void Init(string &page_content)
{
	GetPageByURL::Initialize();

	GetPageByURL::GetPageContent("http://www.fenzhi.com/", page_content);
}

void ClearUp()
{
	GetPageByURL::Cleanup();
}

void UseHtmlCxxAnalysisHtmlStringTestCase()
{

	//解析一段Html代码
	string html ="<html><body>测试文字</body></html>";
	//	string html ="<html><body>测试文字</html>";
	//	string html ="<html><body>测试文字</body</html>";
	//	string html ="<html>测试文字</body></html>";

	HTML::ParserDom parser;

	tree<HTML::Node> dom = parser.parseTree(html);

	//输出整棵DOM树

	cout<< dom << endl;

	//输出树中所有的超链接节点

	tree<HTML::Node>::iterator it = dom.begin();

	tree<HTML::Node>::iterator end = dom.end();

	for(; it != end; ++it)
	{
		// _stricmp()函数，在linux下用strcasecmp()函数替换
		if (_stricmp(it->tagName().c_str(), "A") == 0)
		{
			it->parseAttributes();
			cout <<it->attribute("href").second << endl;
		}
	}

	//输出所有的文本节点
	it= dom.begin();
	end= dom.end();
	for(; it != end; ++it)
	{
		if ((!it->isTag()) && (!it->isComment()))
		{
			cout << it->text();
		}
	}

	cout << endl;
}

void UseHtmlCxxAnalysisWebPageStringTestCase()
{
	string html;

	Init(html);

	HTML::ParserDom parser;

	tree<HTML::Node> dom = parser.parseTree(html);

	//输出整棵DOM树
	cout << dom << endl;

	ofstream zengraoli("e://zeng.txt");

	zengraoli << dom << endl;

	zengraoli.close();

	//输出树中所有的超链接节点

	tree<HTML::Node>::iterator it  = dom.begin();

	tree<HTML::Node>::iterator end = dom.end();

	for(; it != end; ++it)
	{
		// _stricmp()函数，在linux下用strcasecmp()函数替换
		if (_stricmp(it->tagName().c_str(), "A") == 0)
		{
			it->parseAttributes();
			cout << it->attribute("href").second << endl;
		}
	}

	// 输出所有的文本节点
	it  = dom.begin();
	end = dom.end();
	for(; it != end; ++it)
	{
		if ((!it->isTag()) && (!it->isComment()))
		{
			cout << it->text();
		}
	}

	cout << endl;

	ClearUp();
}

int _tmain(int argc, _TCHAR* argv[])
{
//	UseHtmlCxxAnalysisHtmlStringTestCase();

	UseHtmlCxxAnalysisWebPageStringTestCase();

	return 0;
}

2、效果：

web页面中对应的部分(一个表格)：

解析出来后的样子：

3、题外话：

控制台输出乱码的原因是，使用的字符编码和解析得到的不一致的原因。

虽然htmlcxx解析dom树挺不错的，就算是标签少1个2个的也能够正确解析出来；但是要注意使用的场景，比如我要从解析到的信息得到公司的链接，那么还不如直接用正则表达式来匹配网页源代码来得快(当然这是我目前项目失败的一个原因)。

4、对应测试工程下载地址：

http://download.csdn.net/detail/zengraoli/6475093

内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理

标签：

相关文章推荐

新的分享

章节导航