【c语言】使用gumbo解析HTML
之前使用过PHP的Simple HTML DOM简单地解析HTML但PHP终非我所熟悉的语言,虽然我并不对语言抱有绝对的执着= =(什么你不相信,好吧,不管你信不信,反正我是信了= =)。虽然可以简单地使用正则表达式来解析HTML但我不是希望能够找到一个合适的HTML解析库,网上搜索了下关于c语言解析HTML的库,好像不是挻多的样子,我搜索到了google的gumbo, gumbo是开源的,可以从这里得到它 https://github.com/google/gumbo-parser 我们需要下载回来手动编译安装,这里以linux debian为例 git clone https://github.com/google/gumbo-parser cd gumbo-parser ./autogen.sh ./configure 这些一般都会非常顺利,没什么好说的,接下来就是 make 我要执行make后发现有一个错误导致无法编译通过,不知道各位是什么情况,给出的错误提示是benchmarks/benchmark.cc 文件中使用了未定义的函数clock_gettime man了一下,该函数需要包含time.h头文件,打开benchmark.cc文件查看的确已经包含了time.h头文件,很苦恼,突然一下子就懵了,不过还好我反应还算快,看到manpages中写到 Link with -lrt (only for glibc versions before 2.17). 于是猜测没有链接库,使用vim打开Makefile文件,这个文件内容太多= =,要分析的话有些费劲,不过机智的我还是很快地通过benchmark关键字定位到了benchmark_LDADD这个变量,然后在后面加上 -lrt 注意有空格 再次make,果然成功了。。。。。。。。。。。 编译完成之后就可以使用make install进行安装了,你可能需要使用root用户权限,因为默认的安装目录在/usr/local/下 gumbo的源码提供了几个示例程序,一个c语言写的获取标题的源码和另外三个使用c++编写的代码,我全都看了(你看,我说过我不是绝对的语言执着者吧,很不幸,这些程序我都看懂了= =) 简单地说gumbo的使用很简单,使用gumbo_parse或者gumbo_parse_with_options就可以得到一个GumboOutput数据结构,我们就可以从该结构中寻找我们想要的东西了。 我们先来看一个简单的例子,就拿获取title来说吧,我决定用自己写的解析代码而不是gumbo源码提供的好个示例,因为我发现该程序无法解析出我使用的示例HTML文本文件= =,所以我就自己写个吧。。。。。。 #include <stdio.h> #include <sys/types.h> #include <sys/stat.h> #include <stdlib.h> #include <string.h> /* 包含头文件 */ #include <gumbo.h> void get_title(GumboNode *node) { GumboVector *children; int i; /* 如果当前节点不是一个元素的话直接返回 */ if(node->type != GUMBO_NODE_ELEMENT) return; /* 获取该节点的所有子元素节点 */ children=&node->v.element.children; /* 检查当前节点的标签是否为TITLE(title) * 如果是则输出该节点下第一个节点的文本内容 */ if(node->v.element.tag == GUMBO_TAG_TITLE) printf("%s\n",((GumboNode *)children->data[0])->v.text.text); /* 递归该节点下的所有子节点 */ for(i=0;i < children->length;++i) get_title(children->data[i]); } int main(int argc,char **argv) { struct stat buf; GumboOutput *output; FILE *fp; char *data; /* 读取HTML文本文件 */ if(!(fp=fopen(argv[1],"rb"))) return -1; stat(argv[1],&buf); data=malloc(sizeof(char)*(buf.st_size+1)); fread(data,sizeof(char),buf.st_size,fp); fclose(fp); data[buf.st_size]=0; /* 解析HTML文本文件 */ output=gumbo_parse(data); /* 获取TITLE */ get_title(output->root); /* 销毁,释放内存 */ gumbo_destroy_output(&kGumboDefaultOptions,output); free(data); return 0; } 注释已经写的很清楚了,首先我们的节奏是这个样子的: 第一步加载HTML文本文件,我们把它读到一个buf中, 第二步我们进行解析出GumboOutput数据结构 第三步在GumboOptout这个数据结构中找出title标签 最后我们输出内容,gumbo的步骤基本上就是这个样子的了,使用gcc编译的时候需要加上 -lgumbo 下面再说一个例子,该例子中的HTML文件内容是各国DNS的IP地址以及物理地址,大概的格式是 <dt><dd class="ipstart">开始ip地址</dd><dd class="ipend">结束ip地址</dd><dd class="address">物理地址</dd></dt> 我们的解析步骤是获取所有dt标签再获取所有dd标签,然后分别输出dd标签中class属性为ipstart、ipend、address的内 容,下面放代码,由于原HTML文本文件内容放多,我不便放上来,这里就使用在线抓取的方式获取HTML文本,所以这里给出的是HTML文本的url地 址,至目前写代码这一刻该程序还是完全能够正常工作的,日后会该网页是否会因该网页做调整等原因解析出错就不得而知了。 #include <stdio.h> #include <string.h> #include <stdlib.h> #include <oauth.h> /* 包含头文件 */ #include <gumbo.h> #define URL "http://ip.yqie.com/dns_usa.htm" void print_dns(GumboNode *node,GumboAttribute *attr) { /* 获取子节点 */ GumboNode *ip=(GumboNode *)(&node->v.element.children)->data[0]; /* 根据class属性的值打印结果 */ if(strcmp(attr->value,"ipstart") == 0) { if(ip->type == GUMBO_NODE_TEXT) printf("开始IP:%s ",ip->v.text.text); } else if(strcmp(attr->value,"ipend") == 0) { if(ip->type == GUMBO_NODE_TEXT) printf("结束IP:%s ",ip->v.text.text); } else if(strcmp(attr->value,"address") == 0) { if(ip->type == GUMBO_NODE_TEXT) printf("物理地址:%s\n",ip->v.text.text); } } void get_dns(GumboNode *node,GumboTag tag) { GumboVector *children; GumboAttribute *attr; int i; if(node->type != GUMBO_NODE_ELEMENT) return; /* 获取当前节点class属性 */ if(attr=gumbo_get_attribute(&node->v.element.attributes,"class")) print_dns(node,attr); /* 当前节点子节点 */ children=&node->v.element.children; /* 如果当前节点标签为td我们就查找dd标签 */ if(node->v.element.tag == GUMBO_TAG_DT) for(i=0;i < children->length;++i) get_dns(children->data[i],GUMBO_TAG_DD); /* 查找所有<dt>标签 */ for(i=0;i < children->length;++i) get_dns(children->data[i],GUMBO_TAG_DT); } int main(void) { GumboOutput *output; char *buf; /* 下载HTML文本文件 */ buf=oauth_http_get(URL,NULL); if(!buf) return-1; /* 解析 */ output=gumbo_parse(buf); if(!output) { free(buf); return -1; } /* 获取我们想要的内容 <dt>*/ get_dns(output->root,GUMBO_TAG_DT); /* 释放资源 */ gumbo_destroy_output(&kGumboDefaultOptions,output); free(buf); return 0; } 由于使用了oauth所以使用gcc编译时需要加上-loauth参数