Jsoup喜欢用于C ++的html解析器

Question

我一直在编写一些代码来从Java中的某些页面获取一些数据，Jsoup是最好的库。但是，不幸的是我必须将整个代码移植到C / C ++。但是我找不到在c ++上使用的任何体面的html解析器。是否有类似C ++的Jsoup库或者如何实现类似的结果？

[目前我正在使用Curl获取页面源并漫游互联网以查找html解析器]

Answer 1

不幸的是，我猜没有像C ++的Jsoup这样的解析器...

除了这里已经提到过的库之外，还有一个关于C ++（也是一些C语言）解析器的很好的概述：Free C or C++ XML Parser Libraries

对于解析我使用TinyXML-2进行（Html-）DOM解析;它是一个非常小的（只有2个文件）库，可以在大多数操作系统（甚至非桌面）上运行。

LibXml

• 推拉解析器（DOM，SAX）
• 验证
• XPath和XPointer支持
• Cross-Plattform / good documentation

Apache Xerxces

• 推拉解析器（DOM，SAX）
• 验证
• 没有XPath支持（但是这个包？）
• Cross-Plattform / good documentation

如果您使用的是C ++ CLI，请查看NSoup - .NET的Jsoup端口。

更多：

• htmlcxx - html and css APIs for C++
• MSHTML（？）
• pugixml（DOM / XPath和Unicode支持）
• LibCSS（CSS Parser）/ LibDOM（DOM）（但是，都在C中）
• hcxselect（C ++的CSS选择器引擎）

也许你可以将DOM Model / Parser和CSS选择器结合在一起？

Answer 2

如果您熟悉Qt Framework，最方便的方法是使用QWebElement（参考here）。

否则，（正如另一篇文章建议的那样）使用Tidy将HTML转换为有效的XML，然后使用诸如libxml++之类的XML解析器是一个不错的选择。您可以找到显示以下两个步骤的示例代码here。

Answer 3

Chromium有一个开源parser。此外，Google gumbo-parser看起来很酷。

Answer 4

您可以使用xerces2作为DOM解析器。

或者使用HTML Tidy清理HTML并将其转换为XHTML，然后使用pugixml或类似的XML解析器解析XML。由于pugixml是一个非验证解析器，因此它可以在原始HTML上工作，而不需要首先运行HTML Tidy。

Answer 5

如果你不介意用C ++调用python，你可以使用Beautiful Soup。至少这个名字是对的！

说真的 - 它是一个不错的，毫不含糊的HTML解析器。我没有尝试过用C ++调用它，虽然它应该直截了当。

Answer 6

是的，有一个用于c ++的html解析器库，请检查一下 https://github.com/HamedMasafi/HtmlParser/

此库可以解析html或css并将其转换为树模型。您可以使用诸如get_by_id，get_by_class_name，get_by_tag_name之类的方法在经过解析的html中进行搜索，还有一个可以通过css选择器（目前仅支持标签，id，类，嵌套子选择器）进行查询的问题方法。

找到一个孩子之后，您可以更改它的属性，最后可以在紧凑漂亮的模式下将html打印到std :: string中。