Question

美好的一天，我希望你能帮助我。我必须编写这个代码（在C中）下载网站的页面源并将其保存到html文件（我已经这样做了）。下一部分是使用保存的html文件从该站点提取文本。

我脑子里有这个算法步骤：

假设我们有一个包含以下内容的html文件：

＆LT;这里的东西＆gt;＆lt;开始＆gt;＆lt;文字＆gt;你好＆lt;文字＆gt; BYE！＆LT;结束＆gt;

找到“”字符串，跳过“”字符串。（这可以用strstr（））
将指针设置为第一个“＆gt;”的“”。（使用strchr（）??）
检查字符串中的下一个字符是否为“＆lt;”:(忽略空格） a。）如果是，请将指针设置为下一个“＆gt;”。重复检查（3）。 b。）如果不是，请将字符串直到下一个“＆lt;”。然后将它存储（附加）到一个大字符串。
最后，我想将String保存到file.txt。（fwite？或fopen（）中的选项a +。）。

从逻辑上讲，这是正确的吗？作为编程的初学者，我总是会遇到错误。我编写了一个代码，但它总是导致分段错误。

请帮助我/告诉我我的代码有什么问题：虚拟 - 包含html代码的文件

    #include <stdio.h>
    #include <stdlib.h>
    #include <string.h>
    #include <unistd.h>
    #include <sys/types.h>
    #include <sys/stat.h>
    #include <time.h>

    int get_fileSize(FILE*);

    int main(){

        FILE *dummy = fopen("Dummy2","r");

        int filesize = get_fileSize(dummy);
        printf("Size of dummy = %d Bytes.\n", filesize);

        char *newString = (char*)malloc((sizeof(char*))*(filesize));

        if(dummy){
            fread(newString, sizeof(char*), filesize, dummy);
        }   

        char *tempString = (char*)malloc((sizeof(char*))*(filesize));
        char *finalString = (char*)malloc((sizeof(char*))*(filesize));
        finalString = "\0";

        tempString = strtok(newString, "<");
        do{

            //printf("%s\n",tempString);
            tempString = strtok(NULL, ">");

            if(tempString[1]!='<'){
                    sprintf(finalString,"%s%s",finalString,tempString);            
            }else continue;

        }while(*(newString++)!='\0');

        puts(finalString);

        return 0;
    }

    int get_fileSize(FILE *dummy){

        int size;
        struct stat file;
        fstat(fileno(dummy), &file);
        size = file.st_size;

        return size;

    }

Answer 1

第一个错误，只需看一眼您的代码就是sizeof(char*)，而不只是char

char *newString = (char*)malloc((sizeof(char*))*(filesize));

应该是

char *newString = (char*)malloc((sizeof(char))*(filesize));

您不希望字符串中有指针，而是char s。

您malloc以上，永远不会致电free(newString)，这意味着您至少有1次泄密，可能更多。

同样在这里：

fread(newString, sizeof(char*), filesize, dummy);

应该是：

fread(newString, sizeof(char), filesize, dummy);


finalString = "\n"; //reassigns the pointer to another string, doesn't write into allocated memory.

使用strcpy将字符串复制到已分配的内存中。

Answer 2

你的代码中有一些错误，比Tony The Lion的答案中提到的更严重。考虑一下：

    char *tempString = (char*)malloc((sizeof(char*))*(filesize));
    char *finalString = (char*)malloc((sizeof(char*))*(filesize));
    finalString = "\0";
    tempString = strtok(newString, "<");

最后两行有效地使前两个无用。您将常量字符串重新分配给变量。当你sprintf到finalString时，由于字符串是常量的（并存储在具有预定义大小的静态内存中，1个字符），因此会出现sig错误。

我建议使用一些标准的解析库。您必须注意，HTML并不总是格式正确，允许嵌套标记，必须忽略某些文本（例如内部script，style标记等等）。

如果你仍然想自己做，你最好通过输入，跟踪你是否在标签内，跳过这些字符，或在纯文本内，将此文本添加到类似你的finalString。

Answer 3

如果您正在获取文件大小，请使用它来控制循环（读取文件并不能确保在您阅读的内容中有一个零字节）：

for (toggle = 0, i = 0; i < filesize; ++i) {
      if      (filearray[ i ] == '<')                toggle = 1;
      else if (filearray[ i ] == '>' && toggle != 0) toggle = 0;
      else if (!toggle) {
           printf("\nText char '%c' at %d", filearray[ i ], i);
      }
}

从HTML文件中提取纯文本

3 个答案: