बइगुलो
C
अध्याय 11। HTML और वेब
HTML विश्लेषण

C:
HTML विश्लेषण

कैसे करें:

HTML की जटिलता और उसके साफ़, सुव्यवस्थित संरचनाओं से अक्सर होने वाले विचलन के कारण, HTML पार्सिंग भयभीत कर सकती है। हालाँकि, libxml2 जैसे पुस्तकालय का उपयोग करना, विशेष रूप से इसका HTML पार्सिंग मॉड्यूल, प्रक्रिया को सरल बनाता है। यह उदाहरण दिखाता है कि कैसे libxml2 का उपयोग करके HTML को पार्स करना है और जानकारी निकालना है।

सबसे पहले, सुनिश्चित करें कि libxml2 आपके वातावरण में स्थापित है। कई Linux वितरणों में, आप इसे पैकेज मैनेजर के माध्यम से स्थापित कर सकते हैं। उदाहरण के लिए, Ubuntu पर:

sudo apt-get install libxml2 libxml2-dev

अब, आइए एक सरल C प्रोग्राम लिखें जो libxml2 का उपयोग करके एक HTML स्ट्रिंग को पार्स करता है और एक विशिष्ट तत्व के अंदर के पाठ को प्रिंट करता है:

#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);
    
    // मान रहे हैं कि हम <p> टैग्स के अंदर की सामग्री को ढूंढ रहे हैं
    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;
}

नमूना आउटपुट:

Found paragraph: Hello, world!

यह उदाहरण पैराग्राफ टैग्स के भीतर टेक्स्ट को निकालने पर केंद्रित है, लेकिन libxml2 एक HTML दस्तावेज़ के विभिन्न भागों को नेविगेट और क्वेरी करने के लिए मजबूत समर्थन प्रदान करता है।

गहराई से उतरें

C में HTML पार्सिंग वेब विकास के शुरुआती दिनों में वापस जाती है। शुरुआत में, डेवलपर्स को मानकीकृत पुस्तकालयों की कमी और वेब पर HTML की अराजक स्थिति के कारण, कस्टम, अक्सर आदिम पार्सिंग समाधानों पर निर्भर रहना पड़ा था। libxml2 जैसे पुस्तकालयों का परिचय एक महत्वपूर्ण प्रगति को चिह्नित करता है, HTML को पार्स करने के लिए अधिक मानकीकृत, कुशल, और लचीले दृष्टिकोण प्रदान करता है।

C की अतुलनीय गति और नियंत्रण के बावजूद, यह ध्यान देने योग्य है कि C हमेशा HTML पार्सिंग के लिए सबसे अच्छा उपकरण नहीं हो सकता है, विशेष रूप से तेज़ विकास चक्रों या अत्यधिक विकृत HTML से निपटने वाले कार्यों के लिए। Python के साथ Beautiful Soup जैसी उच्च-स्तरीय HTML पार्सिंग पुस्तकालयों वाली भाषाएँ कुछ प्रदर्शन की कीमत पर अधिक अमूर्त, उपयोगकर्ता-अनुकूल इंटरफेस प्रदान करती हैं।

फिर भी, प्रदर्शन-महत्वपूर्ण अनुप्रयोगों के लिए, या जब संसाधन-सीमित वातावरणों में काम करना हो, C में HTML पार्सिंग एक व्यवहार्य और अक्सर पसंदीदा विधि बनी हुई है। कुंजी libxml2 जैसे मजबूत पुस्तकालयों का लाभ उठाने में है जो HTML की जटिलताओं को संभालते हैं, डेवलपर्स को पार्सिंग मैकेनिक्स के विवरणों में फंसे बिना उन्हें आवश्यक डेटा निकालने पर केंद्रित रहने की अनुमति देते हैं।

वेब पेज डाउनलोड करनाHTTP अनुरोध भेजना