modified | 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
/**
/** 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;
/**
/**
/** 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;
/**
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。就是标签包含的部分。
这与GUMBO_NODE_ELEMENT是分开的,因为许多客户端库都希望忽略模板节点的内容,如规范所示。 在GUMBO_NODE_ELEMENT上递归会在这里做正确的事情,而想要包含模板内容的客户端也应该检查GUMBO_NODE_TEMPLATE。 v将是一个GumboElement。
2、简单的使用#
为了方便使用,我简单的封装了两个函数,对于我的使用已经足够了。如果需要更方便的使用,可以考虑https://github.com/lazytiger/gumbo-query.git
1、用于方便一点的查找子节点的#
Copy Highlighter-hljs
std::vector<GumboNode*> find_sub_node(const GumboNode* parentNode,
GumboNodeType type, GumboTag tag, int attrCount, …)
{
std::vector<GumboNode*> subNode;
const GumboVector* vec = &(parentNode->v.element.children);
for (int i = 0; i < vec->length; ++i) {
GumboNode* node = (GumboNode*)vec->data[i];
if (node->type != type || (type == GUMBO_NODE_ELEMENT && node->v.element.tag != tag)) {
continue;
}
int pattend = 0;
va_list vl;
va_start(vl, attrCount);
for (int ai = 0; ai < attrCount; ++ai) {
const char* name = va_arg(vl, char*);
const char* value = va_arg(vl, char*);
GumboAttribute* attr = gumbo_get_attribute(&(node->v.element.attributes), name);
if (attr == NULL || strcmp(value, attr->value) != 0) { continue; }
pattend += 1;
}
va_end(vl);
if (pattend == attrCount) {
subNode.push_back(node);
}
}
return subNode;
}
2、用于方便的查找文本子节点的#
Copy Highlighter-hljs
std::vectorstd::string find_sub_text(const GumboNode* parentNode)
{
std::vectorstd::string subText;
const GumboVector* vec = &(parentNode->v.element.children);
for (int i = 0; i < vec->length; ++i) {
GumboNode* node = (GumboNode*)vec->data[i];
if (GUMBO_NODE_TEXT == node->type) {
subText.push_back(node->v.text.text);
continue;
}
}
return subText;
}
分类: C/C++ , 数据结构与算法 , 开源库