使用 C 解析 html

Question

我需要从 HTML（XHTML 有效）页面中获取一些内容。 我使用 curl 抓取页面并将其存储在内存中。

我尝试了在 PCRE 库中使用正则表达式的想法，但我找不到任何将它与 C 一起使用的示例。然后我继续查看 HTML 解析器，但再次没有一个好的选择。 我所能找到的只是一个名为 HTMLparser 的 libxml 文档模块。

有没有其他选择？ 如果没有，那么我已经找到的例子？

Answer 1

你想使用 HTML tidy 来做到这一点。 Lib curl 页面有一些源代码可以帮助您。 遍历 dom 树的文档。 您不需要 xml 解析器。 在格式错误的 html 上不会失败。

http://curl.haxx.se/libcurl/c/htmltidy.html

Answer 2

我会使用libhtmltidy + 任何 xml 解析器，如expat或libxml 。 取决于你在寻找什么。

Answer 3

如果您想使用 C 解析 XML，那么目前最好的方法是使用 LibXML 库。 主页位于http://xmlsoft.org/ 。 除了他们的下载之外，他们还有明确的代码示例，具体展示了如何处理解析。 我知道你可以获得为 Mac 和 Windows 预编译的版本，大多数 Linux 和 BSD 发行版已经包含它，如果你愿意，你可以从源代码构建。

Answer 4

谷歌最近创建了一个纯 C99 库来解析 HTML，特别是 HTML5。 它很容易在任何 C 程序中使用并积极开发。

https://github.com/google/gumbo-parser

Answer 5

快速 C/C++ HTML 5 解析器。 使用线程。 https://github.com/lexborisov/myhtml