C++:
Разбор HTML
Как:
C++ изначально не имеет встроенных возможностей для парсинга HTML. Чаще всего используется библиотека, например, Gumbo-parser от Google или что-то подобное. Вот короткий пример с использованием 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'>Ссылка</a></body></html>";
GumboOutput* output = gumbo_parse(html);
search_for_links(output->root);
gumbo_destroy_output(&kGumboDefaultOptions, output);
return 0;
}Пример вывода:
https://example.comПодробнее
Парсинг HTML никогда не был прост в C++. Исторически программисты использовали regex или написанные вручную парсеры, оба из которых подвержены ошибкам и громоздки. Сегодня надежные библиотеки, такие как Gumbo-parser, обрабатывают сложности парсинга, делая его проще и надежнее.
Альтернативами являются Tidy, MyHTML, или даже интеграция C++ с Python’s BeautifulSoup через функцию system C++ или встроенные интерпретаторы.
С точки зрения реализации, эти библиотеки конвертируют HTML в дерево объектной модели документа (DOM). Перемещение и манипуляция DOM позволяет пользователям извлекать и работать с данными, как это демонстрируется в разделе Как.