Question

我有一个HTML文件，我从网站上获得了非常糟糕的格式化代码，我想提取一些非常小的信息。

我只对以这样开头的行感兴趣：

</form></td><td><a href="http://www.mysite.com/users/user897" class="username">   <b>user897</b></a></td></tr><tr><td>HouseA</td><td>2</td><td class="entriesTableRow-gamename">HouseA Type12 <span class="entriesTableRow-moredetails"></span></td><td>1 of 2</td><td>user123</td><td>10</td><td>

我想提取3个字段：

  A:HouseA
  B:HouseA Type12
  C:user123
  D:10

我知道我见过人们推荐HTML Agility Pack和lib2xml，但我真的不认为我需要这一切。我的应用程序是用C / C ++。

我已经在使用getline开始读行了，我只是不确定什么是最好的方法。谢谢！

    std::ifstream  data("Home.html");
    std::string line;
    while(std::getline(data,line))
    {
        linenum++;
        std::stringstream  lineStream(line);
        std::string       user;
        if (strncmp(line.c_str(), "</form></td><td>",strlen("</form></td><td>")) == 0)
        {

            printf("found a wanted line in line:%d\n", linenum);
        }

    }

Answer 1

在一般情况下，XML / HTML解析器可能是最好的方法，因为它对于不同的输入会很健壮。（无论你做什么，don't use regexps！）

<强>更新

但是，如果您要定位特定输入，就像您正在做的那样，您可以使用sscanf（如您所示）或cin.read（）或regexp手动扫描。

请注意，此代码可能随时在HTML更改时中断（即使只是使用空格）。

因此，我/我们的建议是使用适当的工具来完成工作。 XML / HTML不是原始文本，不应该被视为原始文本。

如何编写python脚本呢？：）

搜索HTML行并删除不以该行开头的行

1 个答案: