Bøker
C
Kapittel 11. HTML og nettet
Analysering av HTML

C:
Analysering av HTML

Hvordan:

Å parse HTML kan virke avskrekkende på grunn av HTMLs kompleksitet og dens hyppige avvik fra rene, velformede strukturer. Men ved å bruke et bibliotek som libxml2, spesifikt dets HTML-parsemodul, forenkles prosessen. Dette eksempelet demonstrerer hvordan man bruker libxml2 for å parse HTML og trekke ut informasjon.

Først, sørg for at libxml2 er installert i ditt miljø. I mange Linux-distribusjoner kan du installere det via pakkehåndtereren. For eksempel, på Ubuntu:

sudo apt-get install libxml2 libxml2-dev

Nå, la oss skrive et enkelt C-program som bruker libxml2 for å parse en HTML-streng og skrive ut teksten inne i et spesifikt element:

#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);
    
    // Anta at vi leter etter innholdet inne i <p>-tagger
    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("Fant avsnitt: %s\n", xmlNodeGetContent(current_node));
        }
    }
    
    xmlFreeDoc(doc);
    xmlCleanupParser();
}

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

Eksempelutdata:

Fant avsnitt: Hei, verden!

Dette eksempelet fokuserer på å trekke ut tekst innenfor avsnittstagger, men libxml2 tilbyr robust støtte for å navigere og forespørre forskjellige deler av et HTML-dokument.

Dypdykk

Parsing av HTML i C går tilbake til de tidlige dagene av webutviklingen. I begynnelsen måtte utviklere stole på egentilpassede, ofte grunnleggende parsingsløsninger, på grunn av mangel på standardiserte biblioteker og den kaotiske tilstanden til HTML på nettet. Introduksjonen av biblioteker som libxml2 markerte en betydelig fremgang, som tilbyr mer standardiserte, effektive og motstandsdyktige tilnærminger til HTML-parsing.

Til tross for Cs uovertrufne hastighet og kontroll, er det verdt å merke seg at C kanskje ikke alltid er det beste verktøyet for parsing av HTML, spesielt for oppgaver som krever raske utviklingssykluser eller håndtering av eksepsjonelt dårlig formulert HTML. Språk med høynivå HTML-parsebiblioteker, som Python med Beautiful Soup, tilbyr mer abstraherte, brukervennlige grensesnitt på bekostning av noe ytelse.

Likevel, for ytelseskritiske applikasjoner, eller når man opererer i ressursbegrensede miljøer, forblir parsing av HTML i C en levedyktig og ofte foretrukket metode. Nøkkelen er å utnytte robuste biblioteker som libxml2 for å håndtere HTMLs intrikate detaljer, slik at utviklere kan fokusere på å trekke ut dataene de trenger uten å bli hindret i detaljene i parsemekanismen.

Laste ned en nettsideSende en HTTP-forespørsel