Libri
C
Capitolo 11. HTML e il web
Analisi del HTML

C:
Analisi del HTML

Come fare:

L’analisi del HTML può sembrare scoraggiante a causa della complessità del HTML e delle sue frequenti deviazioni da strutture pulite e ben formate. Tuttavia, l’uso di una libreria come libxml2, in particolare il suo modulo di analisi HTML, semplifica il processo. Questo esempio dimostra come utilizzare libxml2 per analizzare il HTML ed estrarre informazioni.

Prima di tutto, assicurati che libxml2 sia installato nel tuo ambiente. In molte distribuzioni Linux, puoi installarlo tramite il gestore di pacchetti. Ad esempio, su Ubuntu:

sudo apt-get install libxml2 libxml2-dev

Ora, scriviamo un semplice programma C che usa libxml2 per analizzare una stringa HTML e stampare il testo all’interno di un elemento specifico:

#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);
    
    // Supponendo che stiamo cercando contenuti all'interno dei tag <p>
    xmlNode *elemento_radice = xmlDocGetRootElement(doc);
    for (xmlNode *nodo_corrente = elemento_radice; nodo_corrente; nodo_corrente = nodo_corrente->next) {
        if (nodo_corrente->type == XML_ELEMENT_NODE && strcmp((const char *)nodo_corrente->name, "p") == 0) {
            printf("Paragrafo trovato: %s\n", xmlNodeGetContent(nodo_corrente));
        }
    }
    
    xmlFreeDoc(doc);
    xmlCleanupParser();
}

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

Output del campione:

Paragrafo trovato: Ciao, mondo!

Questo esempio si concentra sull’estrazione del testo all’interno dei tag dei paragrafi, ma libxml2 offre un supporto robusto per navigare e interrogare varie parti di un documento HTML.

Approfondimento

L’analisi di HTML in C risale ai primi giorni dello sviluppo web. Inizialmente, gli sviluppatori dovevano affidarsi a soluzioni di analisi personalizzate, spesso rudimentali, a causa della mancanza di librerie standardizzate e dello stato caotico del HTML sul web. L’introduzione di librerie come libxml2 ha segnato una significativa progressione, offrendo approcci più standardizzati, efficienti e resilienti all’analisi dell’HTML.

Nonostante la velocità e il controllo impareggiabili del C, vale la pena notare che il C potrebbe non essere sempre il miglior strumento per l’analisi di HTML, soprattutto per compiti che richiedono cicli di sviluppo rapidi o si occupano di HTML eccezionalmente malformato. Lingue con librerie di analisi HTML di alto livello, come Python con Beautiful Soup, forniscono interfacce più astratte e amichevoli all’utente a costo di alcune prestazioni.

Tuttavia, per applicazioni critiche in termini di prestazioni, o quando si opera in ambienti con risorse limitate, l’analisi dell’HTML in C rimane un metodo praticabile e spesso preferito. La chiave è sfruttare librerie robuste come libxml2 per gestire le complessità dell’HTML, consentendo agli sviluppatori di concentrarsi sull’estrazione dei dati di cui hanno bisogno senza impantanarsi nei dettagli dei meccanismi di analisi.

Scaricare una pagina webInviare una richiesta HTTP