Książki
C
Rozdział 11. HTML i sieć web
Analiza składniowa HTML

C:
Analiza składniowa HTML

Jak to zrobić:

Parsowanie HTML może wydawać się zniechęcające ze względu na złożoność HTML i jego częste odstępstwa od czystej, dobrze uformowanej struktury. Jednak użycie biblioteki takiej jak libxml2, a konkretnie jej modułu do parsowania HTML, upraszcza ten proces. Ten przykład pokazuje, jak używać libxml2 do parsowania HTML i wydobywania informacji.

Najpierw upewnij się, że libxml2 jest zainstalowany w twoim środowisku. W wielu dystrybucjach Linuxa możesz zainstalować go za pomocą menedżera pakietów. Na przykład w Ubuntu:

sudo apt-get install libxml2 libxml2-dev

Teraz napiszmy prosty program w C, który używa libxml2 do parsowania ciągu HTML i wydruku tekstu znajdującego się w konkretnym elemencie:

#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);
    
    // Zakładając, że szukamy treści wewnątrz znaczników <p>
    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("Znaleziono akapit: %s\n", xmlNodeGetContent(current_node));
        }
    }
    
    xmlFreeDoc(doc);
    xmlCleanupParser();
}

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

Przykładowe wyjście:

Znaleziono akapit: Witaj, świecie!

Ten przykład skupia się na wydobywaniu tekstu zawartego w tagach akapitu, ale libxml2 oferuje solidne wsparcie dla nawigacji i zapytań dotyczących różnych części dokumentu HTML.

Szczegółowe rozważania

Parsowanie HTML w C sięga wczesnych dni rozwoju sieci Web. Początkowo, deweloperzy musieli opierać się na własnych, często prymitywnych rozwiązaniach do parsowania, ze względu na brak ustandaryzowanych bibliotek i chaotyczny stan HTML w internecie. Wprowadzenie bibliotek takich jak libxml2 oznaczało znaczący postęp, oferując bardziej ustandaryzowane, efektywne i odporne podejścia do parsowania HTML.

Pomimo niezrównanej szybkości i kontroli, które oferuje C, warto zauważyć, że C nie zawsze może być najlepszym narzędziem do parsowania HTML, zwłaszcza do zadań wymagających szybkich cykli rozwoju lub radzenia sobie z wyjątkowo źle sformułowanym HTML. Języki z bibliotekami do parsowania HTML na wysokim poziomie, takie jak Python z Beautiful Soup, zapewniają bardziej abstrakcyjne, przyjazne dla użytkownika interfejsy kosztem pewnej wydajności.

Niemniej jednak, dla aplikacji krytycznych pod względem wydajności, lub działających w środowiskach o ograniczonych zasobach, parsowanie HTML w C pozostaje żywotną i często preferowaną metodą. Kluczem jest wykorzystanie solidnych bibliotek takich jak libxml2, aby radzić sobie ze złożonościami HTML, pozwalając programistom skupić się na wydobywaniu potrzebnych danych, bez zagłębiania się w szczegóły mechaniki parsowania.

Pobieranie strony internetowejWysyłanie żądania HTTP