Win32：如何在不使用正则表达式的情况下抓取HTML？

最近Jeff Atwood的一篇博客文章称，您不应该使用正则表达式来解析HTML——但没有给出替代方案。
我想要抓取搜索结果，并提取数值：

<div class="used_result_container"> 
   ...
      ...
         <div class="vehicleInfo"> 
            ...
               ...
                  <div class="makemodeltrim">
                     ...
                     <a class="carlink" href="[Url]">[MakeAndModel]</a>
                     ...
                  </div> 
                  <div class="kilometers">[Kilometers]</div> 
                  <div class="price">[Price]</div> 
                  <div class="location">
                     <span class='locationText'>Location:</span>[Location]
                  </div> 
               ...          
            ...
         </div> 
      ...
   ...
</div> 

...and it repeats

您可以看到我想要提取的值，它们被包含在方括号中:

• 网址
• 制造商和型号
• 公里数
• 价格
• 位置

假设我们接受解析HTML的前提:

• 通常是个坏主意
• 迅速陷入疯狂

那么应该怎么做呢？

假设条件:

• 本地Win32
• 松散的html

---

澄清假设：

本地Win32

• .NET/CLR不是本地Win32
• Java不是本地Win32
• perl、python、ruby不是本地Win32
• 假设C++在Visual Studio 2000中编译为本地Win32应用程序

本地Win32应用程序可以调用库代码：

• 复制的源代码
• 包含函数入口点的DLL
• 包含COM对象的DLL
• 包含COM对象的DLL是COM-callable包装器（CCW），围绕托管.NET对象

宽松HTML

• xml不是宽松HTML
• xhtml不是宽松HTML
• 严格的HTML不是宽松HTML

宽松HTML意味着HTML不是良好格式化的xml（严格的HTML无论如何也不是良好格式化的xml），因此不能使用XML解析器。实际上，我认为任何HTML解析器都必须在接受的HTML方面很慷慨。

---

澄清#2

假设你喜欢将HTML转换为文档对象模型（DOM）的想法，那么如何访问重复的数据结构？你会如何遍历DOM树？我需要一个DIV节点，它是used_result_container类，它有一个子DIV，该子DIV是vehicleInfo类。但是节点不一定要直接位于彼此的子级中。

听起来我正在用另一组正则表达式问题来交换问题。如果它们更改HTML的结构，则必须重新编写匹配代码-就像使用正则表达式一样。并且假设我们想避免这些问题，因为这些是正则表达式的问题，那么我该怎么办？

我不会为DOM节点编写正则表达式解析器吧？我正在编写一个引擎来解析对象字符串，使用内部状态机和前向和后向捕获。不，一定有更好的方法-就像Jeff所暗示的那样。

我故意保持原始问题含糊不清，以免误导人们走错路。我不想暗示解决方案与以下内容有任何关系：

• 遍历DOM树
• xpath查询

澄清#3

我提供的示例HTML已经删减到重要的元素和属性。我用于删除HTML的机制是基于我使用正则表达式的内在偏见。我自然而然地认为我需要在HTML中寻找各种标志。

因此，不要将呈现的HTML与整个HTML混淆。也许其他解决方案取决于所有原始HTML的存在。

更新4

唯一提出的解决方案似乎涉及使用库将HTML转换为文档对象模型（DOM）。然后问题就变成了：那么怎么办？

既然我有了DOM，我该怎么办呢？似乎我仍然需要使用某种常规DOM表达式解析器遍历树，能够进行前向匹配和捕获。

在这种特定情况下，我需要所有包含vehicleInfo DIV节点作为子节点的used_result_container DIV节点。不包含vehicleInfo作为子节点的任何used_result_container DIV节点都不相关。

是否有带有捕获和前向匹配的DOM正则表达式解析器？我认为XPath不能根据较低级别节点的标准选择更高级别节点：

\\div[@class="used_result_container" && .\div[@class="vehicleInfo"]]\*

注意： 我很少使用XPath，因此我不能很好地编写假设的xpath语法。