如何創建一個HTML樹？

Question

我需要在一些html文件中進行一些挖掘，我想首先將它們轉換為一行中一個標簽的樹的可讀形式。 不過，我沒有html的經驗。 有人可以改正我的代碼並指出我忘記的規則嗎？

我的代碼不適用於現實生活中的頁面。 在程序執行結束時，嵌套計數器應設置為0，因為程序應保留其已遇到的所有嵌套標記。 它不是。 對於一個Facebook頁面，有超過2000個標簽保持打開狀態。

在有人建議我使用圖書館之前，我還沒有看到任何好的圖書館。 對於我的頁面，以某種方式轉換為xml失敗，並且htmlcxx庫沒有適當的文檔。

#include <cstdio>

char get_char( FILE *stream ) {
    char c;
    do
        c = getc(stream);
    while ( c == ' ' || c == '\n' || c == '\t' || c == '\r' );
    return c;
}

void fun( FILE *stream, FILE *out ) {   
    int counter = -1;
    char c;

    do {
        c = get_char(stream);
        if ( c == EOF )
            break;

        if ( c != '<' ) { // print text
            for ( int i = counter + 1; i; --i )
                putc( ' ', out );
            fprintf( out, "TEXT: " );
            do {
                if ( c == '\n' )
                    fprintf( out, "<BR>" ); // random separator
                else
                    putc( c, out );
                c = getc( stream );
            } while ( c != '<' );
            putc( '\n', out );
        }

        c = getc( stream );
        if ( c != '/' ) { // nest deeper
            ++counter;
            for ( int i = counter; i; --i )
                putc( ' ', out );
        } else { // go back in nesting
            --counter;
            // maybe here should be some exception handling
            do // assuming there's no strings in quotation marks here
                c = getc( stream );
            while ( c != '>' );
            continue;
        }

        ungetc( c, stream );
        do { // reading tag
            c = getc(stream);
            if( c == '/' ) { // checking if it's not a <blahblah/>
                c = getc(stream);
                if ( c == '>' ) {
                    --counter;
                    break;
                }
                putc( '/', out );
                putc( c, out );
            } else if ( c == '"' ) { // not parsing strings put in quotation marks
                do {
                    putc( c, out ); c = getc( stream );
                    if ( c == '\\' ) {
                        putc( c, out ); c = getc( stream );
                        if ( c == '"' ) {
                            putc( c, out ); c = getc( stream );
                        }
                    }
                } while ( c != '"' );
                putc( c, out );
            } else if ( c == '>' ) { // end of tag
                break;
            } else // standard procedure
                putc( c, out );
        } while ( true );
        putc( '\n', out );
    } while (true);
    fprintf( out, "Counter: %d", counter );
}

int main() {
    const char *name = "rfb.html";
    const char *oname = "out.txt";
    FILE *file = fopen(name, "r");
    FILE *out = fopen(oname, "w");
    fun( file, out );
    return 0;
}

Answer 1

HTML！= XML標記可以不關閉，例如<img ...>被認為等於<img ... />

Answer 2

這樣有趣而有用的話題，幾乎沒有答案。 真的很奇怪

很難找到好的C ++ HTML解析器！ 我會嘗試引導正確的方向...這可能會幫助您繼續前進...

Lib curl頁面上有一些源代碼可以助您一臂之力。 遍歷dom樹的文檔。 您不需要xml解析器。 在格式錯誤的html上不會失敗。

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

另一個選項是htmlcxx。 從網站描述：

htmlcxx是用於C ++的簡單的非驗證css1和html解析器。

可以嘗試像tidyHTML庫- http://tidy.sourceforge.net （免費）

如果您使用的是Qt 4.6，則可以使用QWebElement。 一個簡單的例子：

frame-> setHtml（HTML）; QWebElement document = frame-> documentElement（）; QList imgs = document.findAll（“ img”）; 這是另一個例子。 http://doc.qt.digia.com/4.6/webkit-simpleselector.html