我如何 output，在 C++ 中，<a href>標簽中保存的 .html 文件中的所有鏈接？</a>

Question

目前正在編寫一個程序，給定 URL，將在 .txt 文件中保存頁面 HTML 的副本，然后嘗試解析該 .txt 文件以獲取標簽中的超鏈接。 例子：

<a href="http://www.example.com">Visit example.com!</a>

現在，除了解析器之外的所有東西都可以工作。 我把output html文件的內容轉成a.txt。 然后我將它轉換成一個字符串，然后嘗試使用正則表達式解析該字符串，並將所有超鏈接存儲在一個向量中。 我認為打印出該向量的內容。 我的代碼解析部分的代碼如下：

vector<string> extract_hyperlinks(string html_file_name )
{
    static const regex hl_regex( "<a href=\"(.*?)\">", regex_constants::icase ) ;

    const string text = file_to_string(html_file_name) ;

    sregex_token_iterator begin( text.begin(), text.end(), hl_regex, 1 );
    sregex_token_iterator end ;
    return vector<string>( begin, end ) ;
}

解析器沒有將任何內容放入向量中，即使字符串是用轉換為字符串的 .txt 文件填充的，該文件顯然包含諸如<a href="http://www.example.com">Visit example.com!</a>之類的值<a href="http://www.example.com">Visit example.com!</a> 。

我做錯了什么，我該如何解決？

Answer 1

嘗試這個。

vector<string> extract_hyperlinks(string html_file_name )
{
    static const regex hl_regex( "<a href=\"(.*?)\">", regex_constants::icase );
    const string text = file_to_string(html_file_name) ;

    std::vector<std::string> ret_vec;
    std::copy( std::sregex_token_iterator(text.begin(), text.end(), hl_regex, 1),
              std::sregex_token_iterator(),
              std::back_inserter(ret_vec));
    return ret_vec;
}

Answer 2

在這種情況下，正則表達式要么簡單到不充分，要么復雜到難以理解

根據 Martin York 的建議，您確實需要一個 HTML 解析庫。

我建議在https://github.com/google/gumbo-parser使用 goolge 的 gumbo-parser。 它是一個經過良好測試的純 C99 庫，有一些 C++ 個示例文件。 find_links.cc 示例文件做我認為你想要的。