หนังสือ
C++
บทที่ 11. HTML และเว็บ
การวิเคราะห์ HTML

C++:
การวิเคราะห์ HTML

วิธีการ:

C++ ไม่มีความสามารถในการแยกวิเคราะห์ HTML มาให้เบื้องต้น คุณจะต้องใช้ไลบรารีเช่น Gumbo-parser โดย Google หรืออย่างอื่นที่คล้ายคลึงกัน นี่คือตัวอย่างอย่างรวดเร็วโดยใช้ 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'>Link</a></body></html>";
    GumboOutput* output = gumbo_parse(html);
    search_for_links(output->root);
    gumbo_destroy_output(&kGumboDefaultOptions, output);
    return 0;
}

ผลลัพธ์ตัวอย่าง:

https://example.com

ศึกษาลึกลงไป

การแยกวิเคราะห์ HTML ไม่เคยเป็นเรื่องง่ายใน C++ ในอดีต โปรแกรมเมอร์จะใช้ regex หรือ parser ที่เขียนด้วยมือซึ่งทั้งคู่มีโอกาสเกิดข้อผิดพลาดและใช้งานยาก ในปัจจุบัน ไลบรารีที่มีความเขี้ยวเล็บเช่น Gumbo-parser จัดการกับความซับซ้อนของการแยกวิเคราะห์ ทำให้ง่ายและมีความน่าเชื่อถือมากขึ้น

ทางเลือกอื่น ๆ รวมถึง Tidy, MyHTML, หรือแม้กระทั่งการรวม C++ กับ BeautifulSoup ของ Python ผ่านฟังก์ชัน system ของ C++ หรือตัวถอดรหัสที่ฝังอยู่

ในด้านการใช้งาน, ไลบรารีเหล่านี้แปลง HTML ไปเป็นต้นไม้ของ Document Object Model (DOM) การเดินทางและจัดการ DOM อนุญาตให้ผู้ใช้สามารถดึงและทำงานกับข้อมูลได้เช่นที่แสดงในส่วนวิธีการ

ดูเพิ่มเติม

การดาวน์โหลดหน้าเว็บส่งคำขอ HTTP