ספרים
C++
פרק 11. HTML והאינטרנט
פיענוח HTML

C++:
פיענוח HTML

איך לעשות זאת:

C++ אינו מגיע עם יכולות פירוס HTML מובנות. לרוב תשתמשו בספרייה כמו Gumbo-parser מבית Google, או משהו דומה. להלן דוגמה מהירה באמצעות Gumbo-parser:

#include <iostream>
#include <gumbo.h>

void search_for_links(GumboNode* node) {
    if (node->type != GUMBO_NODE_ELEMENT) {
        return;
    }
    if (node->v.element.tag == GUMBO_TAG_A) {
        GumboAttribute* href = gumbo_get_attribute(&node->v.element.attributes, "href");
        if (href) {
            std::cout << href->value << std::endl;
        }
    }
    GumboVector* children = &node->v.element.children;
    for (unsigned int i = 0; i < children->length; ++i) {
        search_for_links(static_cast<GumboNode*>(children->data[i]));
    }
}

int main() {
    const char* html = "<html><body><a href='https://example.com'>Link</a></body></html>";
    GumboOutput* output = gumbo_parse(html);
    search_for_links(output->root);
    gumbo_destroy_output(&kGumboDefaultOptions, output);
    return 0;
}

פלט לדוגמה:

https://example.com

לעומק

פירוס HTML לא תמיד היה פשוט ב-C++. בעבר, מתכנתים היו משתמשים בביטויים רגולריים או במפענחים שנכתבו ביד, שניהם נוטים לשגיאות ומסורבלים. כיום, ספריות חזקות כמו Gumbo-parser מתמודדות עם המורכבויות של פירוס, והופכות את התהליך לקל ואמין יותר.

אלטרנטיבות כוללות את Tidy, MyHTML, או אפילו שילוב של C++ עם BeautifulSoup של Python באמצעות הפונקציה system של C++ או מתרגמים מוטמעים.

מבחינה יישומית, ספריות אלה ממירות HTML לעץ מודל האובייקטים של המסמך (DOM). חציית ותפעול ה-DOM מאפשר למשתמשים לחלץ ולעבוד עם נתונים, כפי שהודגם בסעיף “איך לעשות זאת”.

ראו גם

הורדת דף אינטרנטשליחת בקשת HTTP