หนังสือ
C
บทที่ 11. HTML และเว็บ
การวิเคราะห์ HTML

C:
การวิเคราะห์ HTML

วิธีการ:

การแยกวิเคราะห์ HTML อาจดูเป็นเรื่องยากเนื่องจากความซับซ้อนของ HTML และมักจะมีการหลุดออกไปจากโครงสร้างที่สะอาดและถูกต้องตามหลักเกณฑ์ อย่างไรก็ตาม, การใช้ไลบรารี เช่น libxml2, โดยเฉพาะโมดูลการแยกวิเคราะห์ HTML ของมันจะทำให้กระบวนการนี้ง่ายขึ้น. ตัวอย่างนี้จะสาธิตวิธีใช้ libxml2 เพื่อแยกวิเคราะห์ HTML และสกัดข้อมูล.

ก่อนอื่น, ตรวจสอบให้มั่นใจว่า libxml2 ได้ถูกติดตั้งในสภาพแวดล้อมของคุณ. ในหลายระบบปฏิบัติการ Linux, คุณสามารถติดตั้งได้ผ่าน package manager. ตัวอย่างเช่น, บน Ubuntu:

sudo apt-get install libxml2 libxml2-dev

ตอนนี้, เรามาเขียนโปรแกรม C ง่ายๆ ที่ใช้ libxml2 เพื่อแยกวิเคราะห์สตริง HTML และพิมพ์ข้อความภายในองค์ประกอบที่เฉพาะเจาะจง:

#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);
    
    // สมมติว่าเรากำลังมองหาเนื้อหาภายในแท็ก <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("พบย่อหน้า: %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;
}

ผลลัพธ์ตัวอย่าง:

พบย่อหน้า: Hello, world!

ตัวอย่างนี้เน้นไปที่การสกัดข้อความภายในแท็กย่อหน้า, แต่ libxml2 มีการสนับสนุนอย่างแข็งแกร่งสำหรับการนำทางและสืบค้นส่วนต่างๆ ของเอกสาร HTML.

การศึกษาลึก

การแยกวิเคราะห์ HTML ใน C เริ่มต้นมาตั้งแต่ช่วงต้นของการพัฒนาเว็บ เริ่มแรก, นักพัฒนาต้องพึ่งพาโซลูชันการแยกวิเคราะห์ที่กำหนดเอง, บ่อยครั้งที่เป็นรูปแบบเริ่มต้น เนื่องจากขาดไลบรารีมาตรฐานและสถานะของ HTML บนเว็บที่ไม่เป็นระเบียบ การเป introduce ของไลบรารีเช่น libxml2 ทำเครื่องหมายความก้าวหน้าอย่างมาก โดยนำเสนอวิธีการที่มาตรฐานมากขึ้น, มีประสิทธิภาพสูง, และมีความยืดหยุ่นในการแยกวิเคราะห์ HTML.

แม้ว่า C จะมีความเร็วและการควบคุมที่ไม่เทียบเท่า, ก็ควรทราบว่า C อาจไม่ใช่เครื่องมือที่ดีที่สุดเสมอไปสำหรับการแยกวิเคราะห์ HTML, เฉพาะสำหรับงานที่ต้องการระยะเวลาการพัฒนาอย่างรวดเร็วหรือจัดการกับ HTML ที่ไม่ถูกต้องอย่างมาก ภาษาที่มีไลบรารีการแยกวิเคราะห์ HTML ระดับสูง เช่น Python กับ Beautiful Soup, ให้ส่วนต่อประสานที่มากกว่า ใช้งานง่ายกว่า แม้ว่าจะมีค่าใช้จ่ายในแง่ของประสิทธิภาพบ้าง

อย่างไรก็ตาม, สำหรับแอปพลิเคชันที่ต้องการประสิทธิภาพสูงสุด, หรือเมื่อทำงานในสภาพแวดล้อมที่มีทรัพยากรจำกัด, การแยกวิเคราะห์ HTML ใน C ยังคงเป็นวิธีที่ทำได้และมักเป็นที่ต้องการ ความสำคัญคือการใช้ไลบรารีที่มีความเข็มข้นเช่น libxml2 เพื่อจัดการกับความซับซ้อนของ HTML, ทำให้นักพัฒนาสามารถมุ่งความสนใจไปที่การสกัดข้อมูลที่ต้องการโดยไม่ต้องยุ่งยากกับรายละเอียดของกลไกในการแยกวิเคราะห์.

การดาวน์โหลดหน้าเว็บส่งคำขอ HTTP