使用C解析html

Question

我需要从HTML（XHTML有效）页面中获取一些内容。我使用curl抓取页面并将其存储在内存中。

我玩过使用正则表达式和PCRE库的想法，但我只是找不到任何使用它的例子。然后我继续看看HTML解析器，再次没有一个好的选择。我所能找到的只是一个名为HTMLparser的libxml文档模块。

还有其他选择吗？如果没有，那么我已经找到的例子了吗？

Answer 1

您希望使用HTML整理来执行此操作。 Lib curl页面有一些源代码可以帮助你。穿过dom树的文件。您不需要xml解析器。在格式错误的HTML上不会失败。

http://curl.haxx.se/libcurl/c/htmltidy.html

Answer 2

我会使用libhtmltidy +任何xml解析器，例如expat或libxml。取决于你在寻找什么。

Answer 3

如果要使用C解析XML，那么到目前为止，最好的方法是使用LibXML库。主页位于http://xmlsoft.org/。除了下载外，他们还有明确的code examples，明确地说明如何处理parsing。我知道您可以获得针对Mac和Windows预编译的版本，大多数Linux和BSD发行版已包含它，如果您愿意，可以从源代码构建。

Answer 4

谷歌最近创建了一个纯C99库，用于解析HTML，HTML5。它易于在任何C程序中使用并积极开发。

https://github.com/google/gumbo-parser

Answer 5

快速C / C ++ HTML 5解析器。使用线程。 https://github.com/lexborisov/myhtml