Sách
C
Chương 11. HTML và Web
Phân Tích Cú Pháp HTML

C:
Phân Tích Cú Pháp HTML

Làm thế nào:

Việc phân tích cú pháp HTML có thể trở nên khó khăn do sự phức tạp và việc thường xuyên lệch khỏi cấu trúc sạch, đúng đắn của HTML. Tuy nhiên, việc sử dụng một thư viện như libxml2, cụ thể là mô-đun phân tích cú pháp HTML của nó, làm đơn giản hóa quy trình. Ví dụ này trình bày cách sử dụng libxml2 để phân tích cú pháp HTML và trích xuất thông tin.

Đầu tiên, đảm bảo libxml2 đã được cài đặt trong môi trường của bạn. Trên nhiều phân phối Linux, bạn có thể cài đặt nó qua trình quản lý gói. Ví dụ, trên Ubuntu:

sudo apt-get install libxml2 libxml2-dev

Bây giờ, hãy viết một chương trình C đơn giản sử dụng libxml2 để phân tích cú pháp một chuỗi HTML và in ra văn bản bên trong một phần tử cụ thể:

#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);
    
    // Giả sử chúng ta đang tìm kiếm nội dung bên trong thẻ <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("Tìm thấy đoạn văn: %s\n", xmlNodeGetContent(current_node));
        }
    }
    
    xmlFreeDoc(doc);
    xmlCleanupParser();
}

int main() {
    const char *html = "<html><body><p>Xin chào, thế giới!</p></body></html>";
    parseHTML(html);
    return 0;
}

Kết quả Mẫu:

Tìm thấy đoạn văn: Xin chào, thế giới!

Ví dụ này tập trung vào việc trích xuất văn bản trong các thẻ đoạn văn, nhưng libxml2 cung cấp hỗ trợ mạnh mẽ để điều hướng và truy vấn các phần khác nhau của một tài liệu HTML.

Sâu hơn nữa

Việc phân tích cú pháp HTML trong C bắt đầu từ những ngày đầu phát triển web. Ban đầu, các nhà phát triển phải dựa vào các giải pháp phân tích cú pháp tùy chỉnh, thường là sơ khai, do thiếu thư viện tiêu chuẩn và tình trạng hỗn loạn của HTML trên web. Sự giới thiệu của các thư viện như libxml2 đánh dấu một bước tiến đáng kể, cung cấp các phương pháp tiếp cận tiêu chuẩn hóa, hiệu quả và kiên cường hơn trong việc phân tích cú pháp HTML.

Mặc dù tốc độ và khả năng kiểm soát của C không thể so sánh, đáng chú ý là C có thể không phải lúc nào cũng là công cụ tốt nhất cho việc phân tích cú pháp HTML, đặc biệt là cho các nhiệm vụ yêu cầu chu kỳ phát triển nhanh chóng hoặc đối phó với HTML bị hỏng cực kỳ nặng. Các ngôn ngữ với thư viện phân tích cú pháp HTML cấp cao, như Python với Beautiful Soup, cung cấp giao diện trừu tượng, thân thiện với người dùng hơn tại chi phí của một số hiệu suất.

Dù sao đi nữa, đối với các ứng dụng quan trọng về hiệu suất, hoặc khi hoạt động trong môi trường có nguồn lực hạn chế, việc phân tích cú pháp HTML trong C vẫn là một phương pháp khả thi và thường được ưa chuộng. Chìa khóa là tận dụng các thư viện mạnh mẽ như libxml2 để xử lý những tinh tế của HTML, cho phép các nhà phát triển tập trung vào việc trích xuất dữ liệu họ cần mà không bị sa lầy vào chi tiết của cơ chế phân tích cú pháp.

Tải trang web vềGửi một yêu cầu HTTP