使用libxml SAX解析HTML片段
[英]Parsing HTML fragments with libxml SAX
問題描述
我需要解析HTML片段，這意味着文件缺少<html>，<head>和<body>元素，否則具有格式正確的XHTML語法，並保證了UTF8編碼。 看來libxml是完成此任務的理想選擇，但是我有一些約束，我只是不知道如何實現。
- htmlSAXParseFile（）可以很好地完成其工作，但是它似乎可以創建DOM本身，在流程中插入正文和html元素。 我想自己創建DOM，因為我可能需要跳過某些元素並即時修改其他元素。 是否有可能以某種方式告訴libxml 根本不創建DOM ，而只是解析HTML並調用我的處理程序？
- 如果這對於libxml HTML解析器來說是不可能的，那么我也可以使用xmlSAXUserParseFile（），它似乎不會創建DOM。 但是，由於文件具有類似<p> ... </ p> <p> ... </ p>的結構，因此解析器只是吐出“文檔末尾的額外內容”為時過早。 有沒有辦法在仍然收到通知的情況下抑制某些解析錯誤（只是因為沒有人保證這些文件中永遠不會存在其他錯誤）？
- libxml中有很多解析函數，其中一些接受xmlParserOption作為參數。 las，xmlSAXUserParseFile（）沒有。 而且，由於某些無關的API設計原因，所有這些似乎都可以創建DOM。 我想念一個明顯的候選人嗎？
哦，我承認我不願使用libxml的DOM看起來很古怪。 我對RAM極為了解，因此迫切需要對DOM進行全面控制，以便能夠在內存不足的情況下刪除某些節點，並在必要時重新讀取它們。
提前致謝。
1 個解決方案
解決方案1
6 已采納 2010-06-08 20:33:12
好的，因為沒有人回答這個問題，所以我會嘗試自己解決。
我編寫了所有開始/結束元素處理程序，看起來libxml不再創建DOM。 至少，返回的文檔指針為NULL。 它仍然堅持html和body元素，但是我可以接受。
一個主要問題是libxml保留所有空白節點，無論如何。 因此，我必須解析文本內容以消除可忽略的空白。 很難看，但是可以用。 我應該提到解析UTF-8是您很少錯過的樂趣嗎？
老實說，libxml文檔是殘酷的。 我對任何嘗試閱讀文檔的人的建議：改為閱讀源代碼。 該代碼更易於閱讀和記錄。
感謝您的關注。
C/C++、libxml2：解析 HTML 片段
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.