বইগুলো
C
অধ্যায় 11. HTML এবং ওয়েব
HTML পার্স করা

C:
HTML পার্স করা

কিভাবে:

HTML পার্সিং করা ভীতিজনক মনে হতে পারে HTML-এর জটিলতা এবং এর পরিষ্কার, ভালভাবে গঠিত কাঠামো থেকে ঘন ঘন বিচ্যুতির কারণে। তবে, libxml2 লাইব্রেরী, বিশেষভাবে এর HTML পার্সিং মডিউল ব্যবহার করা, প্রক্রিয়াটি সহজ করে। এই উদাহরণটি দেখায় কিভাবে libxml2 ব্যবহার করে HTML পার্স করা যায় এবং তথ্য এক্সট্র্যাক্ট করা যায়।

প্রথমে, নিশ্চিত করুন যে libxml2 আপনার পরিবেশে ইনস্টল করা আছে। অনেক লিনাক্স ডিস্ট্রিবিউশনে, আপনি প্যাকেজ ম্যানেজারের মাধ্যমে এটি ইনস্টল করতে পারেন। উদাহরণস্বরূপ, উবুন্টুতে:

sudo apt-get install libxml2 libxml2-dev

এখন, চলুন একটি সিম্পল C প্রোগ্রাম লিখি যা libxml2 ব্যবহার করে একটি HTML স্ট্রিং পার্স করে এবং একটি নির্দিষ্ট এলিমেন্টের ভিতরের টেক্সট প্রিন্ট করে:

#include <stdio.h>
#include <libxml/HTMLparser.h>

void parseHTML(const char *html) {
    htmlDocPtr doc = htmlReadDoc((const xmlChar *)html, NULL, NULL, HTML_PARSE_RECOVER | HTML_PARSE_NOERROR | HTML_PARSE_NOWARNING);
    
    // ধরে নিচ্ছি আমরা <p> ট্যাগের ভিতরের কন্টেন্ট খুঁজছি
    xmlNode *root_element = xmlDocGetRootElement(doc);
    for (xmlNode *current_node = root_element; current_node; current_node = current_node->next) {
        if (current_node->type == XML_ELEMENT_NODE && strcmp((const char *)current_node->name, "p") == 0) {
            printf("Found paragraph: %s\n", xmlNodeGetContent(current_node));
        }
    }
    
    xmlFreeDoc(doc);
    xmlCleanupParser();
}

int main() {
    const char *html = "<html><body><p>Hello, world!</p></body></html>";
    parseHTML(html);
    return 0;
}

নমুনা আউটপুট:

Found paragraph: Hello, world!

এই উদাহরণটি প্যারাগ্রাফ ট্যাগের ভিতরে টেক্সট এক্সট্র্যাক্ট করার দিকে মনোনিবেশ করে, তবে libxml2 একটি HTML ডকুমেন্টের বিভিন্ন অংশ নেভিগেট এবং কোয়েরি করার জন্য দৃঢ় সমর্থন প্রদান করে।

গভীর ডুব

C ভাষায় HTML পার্সিং ওয়েব ডেভেলপমেন্টের প্রারম্ভিক দিনগুলিতে ফিরে যায়। প্রাথমিকভাবে, ডেভেলপারদের মানকৃত লাইব্রেরিগুলির অভাব এবং ওয়েবে HTML-এর অস্থির অবস্থার কারণে, কাস্টম, প্রায়ই প্রাথমিক পার্সিং সমাধানগুলির উপর নির্ভর করতে হয়েছিল। libxml2 এর মতো লাইব্রেরিগুলির প্রবর্তন একটি গুরুত্বপূর্ণ অগ্রগতি চিহ্নিত করে, একটি HTML পার্স করার জন্য আরও মানকৃত, দক্ষ এবং সহনশীল পদ্ধতি প্রদান করে।

অসামান্য গতি এবং নিয়ন্ত্রণের জন্য C সত্ত্বেও, এটি উল্লেখ্য যে C সবসময় HTML পার্সিংয়ের জন্য সেরা টুল নাও হতে পারে, বিশেষ করে দ্রুত ডেভেলপমেন্ট চক্র প্রয়োজন হওয়া টাস্কগুলিতে বা বিশেষভাবে অসংগঠিত HTML নিয়ে কাজ করার সময়। বিউটিফুল সুপ এর মতো উচ্চ-স্তরের HTML পার্সিং লাইব্রেরিগুলি সহ পাইথনের মতো ভাষাগুলি কিছুটা পারফরম্যান্সের বিনিময়ে আরও সাবলীল, ব্যবহারকারী-বান্ধব ইন্টারফেস প্রদান করে।

তবে, পারফরম্যান্স-সমালোচনামূলক অ্যাপ্লিকেশনের জন্য, অথবা সম্পদ-সীমাবদ্ধ পরিবেশে কাজ করার সময়, C ভাষায় HTML পার্সিং একটি বাস্তবসম্মত এবং প্রায়ই অগ্রাধিকারযোগ্য পদ্ধতি হিসেবে থাকে। মূল কথা হচ্ছে libxml2 এর মতো দৃঢ় লাইব্রেরিগুলি ব্যবহার করে HTML-এর জটিলতাগুলো সমাধান করা, যাতে ডেভেলপাররা পার্সিং যান্ত্রিকতার বিস্তারিত দিক নিয়ে দুশ্চিন্তা না করে তাদের প্রয়োজনীয় ডেটা এক্সট্র্যাক্ট করতে পারে।

একটি ওয়েবপেজ ডাউনলোড করাHTTP অনুরোধ প্রেরণ করা