使用C语言解析HTML

Question

我需要从一个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。

我尝试过使用PCRE库中的正则表达式来实现，但是我无法找到任何使用C语言进行编写的示例。然后我开始查看HTML解析器，但我没有找到很好的选择。我所能找到的只是一个名为HTMLparser的libxml模块，文档也很简单。

有没有其他替代方案？如果没有，那么你能提供一些我已经找到的例子吗？

- user185216

---

强制性警告：不建议使用正则表达式来解析HTML。请参考以下链接了解详情：https://dev59.com/X3I-5IYBdhLWcg3wq6do#1732454 - moopet

请参考以下链接，我使用libxml2 C库为Windows平台编写了整个解决方案。https://dev59.com/NW035IYBdhLWcg3wW-z1#38826052 - Pankaj Vavadiya

Answer 1

你想使用HTML Tidy来实现这个功能。Lib curl网页有一些源代码可以帮助你开始。文档遍历DOM树。你不需要XML解析器。并且它不会因为格式不正确的HTML而失败。 http://curl.haxx.se/libcurl/c/htmltidy.html

- Byron Whitlock

---

这就是我最终实现的。我觉得没必要使用一个饥饿的XML解析器来仅仅获取一行文本。谢谢。 - user185216

Answer 2

我会使用libhtmltidy和任何xml解析器，例如expat或libxml。这取决于您所需要的功能。

- Michael Krelin - hacker

---

仅供读者参考... HTML解析器是用于自动解析超文本标记语言（HTML）的软件。它们有两个主要目的： HTML遍历：提供一个接口，使程序员可以轻松访问和修改“HTML字符串代码”。典型示例：DOM解析器。 HTML清理：修复无效的HTML并改善生成标记的布局和缩进样式。典型示例：HTML Tidy。 - Pankaj Vavadiya

Answer 3

谷歌最近开发了一款纯C99库，用于解析HTML，特别是HTML5。它可以轻松地在任何C程序中使用，并且正在积极开发中。 https://github.com/google/gumbo-parser

- Anton Kochkov

---

大多数更改是两年前进行的，HTML5标准已经被定义，代码不是有点过时了吗？ - Lucas Steffen

谷歌刚刚归档了该存储库并注明：“自2016年以来，此项目未得到维护，不应再使用。” - handle

Answer 4

如果你想使用C语言解析XML，那么目前最好的方法是使用LibXML库。主页在http://xmlsoft.org/。除了提供下载外，他们还有明确的代码示例，专门展示如何处理解析。我知道事实上你可以获取Mac和Windows预编译版本，大多数Linux和BSD发行版已经包含它，如果你愿意也可以从源代码构建。

- Tony Miller

---

不错的选择，但它会在错误的 HTML 上阻塞，所以我建议先通过 libtidy 运行它。 - Michael Krelin - hacker

Answer 5

快速的C/C++ HTML 5解析器。使用线程。 https://github.com/lexborisov/myhtml 更新于2023年。使用来自Lexbor项目的HTML解析器。它稳定、功能更多，而且——是的——非常快速。它是myhtml的合理继任者。

- EgoPingvina

---

myhtml项目似乎已经停止维护，并建议使用lexbor（https://github.com/lexbor/lexbor）代替。 - Brecht Sanders

是的，你说得对。最后一次更新已经被替换了。 - EgoPingvina