073_html_parser_gumbo.adoc
Edited: Thursday 1 May 2025

HTML解析库Gumbo简单使用记录
目录
Gumbo简介
使用记录
1、GumboNode的类型
1、GUMBO_NODE_DOCUMENT 文档节点
2、GUMBO_NODE_ELEMENT 元素节点
3、GUMBO_NODE_TEXT 文本节点
4、GUMBO_NODE_CDATA
5、GUMBO_NODE_COMMENT
6、GUMBO_NODE_WHITESPACE
7、GUMBO_NODE_TEMPLATE
2、简单的使用
1、用于方便一点的查找子节点的
2、用于方便的查找文本子节点的
Gumbo简介#
Gumbo是谷歌开源的一个纯C编写的HTML解析库,性能很好,就是用起来比较麻烦。
github地址https://github.com/google/gumbo-parser
还有一个C++封装的版本https://github.com/lazytiger/gumbo-query.git

关于HTML的参考,可见https://developer.mozilla.org/zh-CN/docs/Web/HTML

最近准备写一个爬虫,用于爬取epsg.io上的数据,所以找了这个库用于HTML的解析。其实我这个简单的爬取固定位置的内容,用这个实在是有点杀鸡用牛刀了,直接做字符串搜索会更方便。

使用记录#
关于这个的使用,网上找不到太多的资料。
这里有一个https://blog.csdn.net/fjb2080/article/details/78992851

这个图片上实际已经把相关的关系描述清楚了,我这里只做简单的补充。

1、GumboNode的类型#
对于一个GumboNode结构体对象,需要通过它的GumboNodeType type字段判断其类型后,可根据类型对成员v进行操作。
v是一个union对象,它可以是GumboDocument、GumboElement、GumboText三种类型之一。

1、GUMBO_NODE_DOCUMENT 文档节点#
文档节点表示的是一个完整的html文档,就是从到之间的全部信息。对于v可取GumboDocument类型的成员document。
对于文档节点,其内部包含的元素节点都在GumboVector children中。

2、GUMBO_NODE_ELEMENT 元素节点#
只要是含有标签tag的部分,都是元素节点。这个可以简单的理解为,只要是<标签名>到</标签名>之间的就是一个元素节点的内容(有的元素是单标签的),元素节点可以有包含嵌套关系,子节点都在GumboVector children中。

Copy Highlighter-hljs
/**

  • 用于表示所有HTML元素的结构。 它包含有关标记,属性和子节点的信息。
    /
    typedef struct {
    /
    *
    • GumboNodes数组,包含此元素的子元素。 保存的是GumboNode的指针。
      /
      GumboVector /
      GumboNode* */ children;

/** 这个元素的GumboTag(标签,HTML的标签是定义好的)枚举值 */
GumboTag tag;

/** 此元素的GumboNamespaceEnum值(表示这个是HTML、SVG还是MATHML)*/
GumboNamespaceEnum tag_namespace;

/**

  • 指向此元素的原始标记文本的GumboStringPiece,直接指向源缓冲区。
  • 如果标记是通过算法插入的(例如,或插入),则这将是一个零长度字符串。
    */
    GumboStringPiece original_tag;

/**

  • 指向此元素的原始结束标记文本的GumboStringPiece。
  • 如果以算法方式插入结束标记(例如,关闭自闭标记),则这将是一个零长度字符串。
    */
    GumboStringPiece original_end_tag;

/** 记录元素开始标签在来源字符串中的起始位置。 */
GumboSourcePosition start_pos;

/** 记录元素结束标签在来源字符串中的起始位置。 */
GumboSourcePosition end_pos;

/**

  • GumboAttributes数组,按照解析顺序包含此元素标签的属性
  • 数组保存的是GumboAttribute的指针
    /
    GumboVector /
    GumboAttribute* */ attributes;
    } GumboElement;
    3、GUMBO_NODE_TEXT 文本节点#
    文本节点,对于v可取GumboText类型的成员text。
    Gumbo在解析的时候,对于\r\n这种都会解析为一个独立的文件节点。

4、GUMBO_NODE_CDATA#
CDATA节点是一个比较特殊的节点,这个节点用于传输需要浏览器不做解析,原封不动的当做文本的内容。所以对于v也是取GumboText类型的成员text。

5、GUMBO_NODE_COMMENT#
注释节点,这个用于保存html中的注释,对于这个节点,对于v也是取GumboText类型的成员text。取出来的GumboText对象中的text成员不包含注释分隔符。

6、GUMBO_NODE_WHITESPACE#
这是一个文本节点的特例,文本的内容都是空白字符(空格、TAB、回车)。v也是取GumboText。

7、GUMBO_NODE_TEMPLATE#
模板节点。就是标签