تحليل HTML في C++: المكتبات، أمثلة الكود

تحليل HTML في C++: نظرة عامة على الأدوات وأمثلة عملية

تحليل HTML بلغة C++ هي مهمة يواجهها المطورون عند إنشاء محللات لصفحات الويب، أو محللات المحتوى، أو أدوات جمع البيانات الآلية. على عكس Python أو JavaScript، لا توجد مكتبة مدمجة في C++ للعمل مع مستندات HTML، ومع ذلك، هناك العديد من الحلول الناضجة وعالية الأداء. في هذه المقالة، سنستعرض المكتبات الرئيسية لتحليل HTML في C++، وميزاتها، ونقدم أمثلة على الكود.

المكتبات الرئيسية لتحليل HTML في C++

يعتمد اختيار المكتبة على مهامك: هل تحتاج إلى دعم محددات CSS، أو XPath، أو العمل مع HTML تالف، أو أقصى سرعة. دعنا نستعرض الخيارات الأكثر شيوعًا.

Gumbo-parser — مكتبة من Google، تطبق تحليل HTML5 وفقًا للمواصفات. توفر شجرة DOM بعد التحليل، ولكنها لا تتضمن أدوات مدمجة للتنقل عبر المحددات. تتطلب اجتياز العقد يدويًا.
MyHTML — شوكة (fork) من Gumbo مع دعم محسّن لمحددات CSS وواجهة برمجة تطبيقات أكثر ملاءمة. تسمح بالبحث عن العناصر حسب الفئات والوسوم والسمات.
Lexbor — مكتبة حديثة تركز على السرعة والامتثال للمعايير. تدعم كلاً من HTML ومحددات CSS، بالإضافة إلى XPath (من خلال وحدة إضافية).
htmlcxx — مكتبة بسيطة لتحليل HTML إلى شجرة. مناسبة للمشاريع الصغيرة، ولكنها لا تدعم HTML5.
Boost.PropertyTree (مع محلل XML) — يمكن استخدامه لتحليل XHTML، ولكنه غير مخصص لـ HTML غير الصالح.

التثبيت والتضمين

دعنا ننظر في تثبيت اثنتين من أشهر المكتبات: Gumbo-parser و MyHTML. للمشاريع التي تستخدم C++17، يُوصى باستخدام مدير الحزم vcpkg أو Conan.

// التثبيت عبر vcpkgvcpkg install gumbo-parservcpkg install myhtml

// التضمين في CMakeLists.txtfind_package(gumbo REQUIRED)target_link_libraries(your_project PRIVATE gumbo)

find_package(myhtml REQUIRED)target_link_libraries(your_project PRIVATE myhtml)

مثال 1: تحليل HTML باستخدام Gumbo-parser (اجتياز DOM يدويًا)

في هذا المثال، سنقوم بتحليل مستند HTML بسيط واستخراج جميع النصوص من الوسوم <p>.

#include <iostream>#include <string>#include <gumbo.h>

void extract_text(GumboNode* node) {    if (node->type == GUMBO_NODE_TEXT) {        std::cout << node->v.text.text;        return;    }    if (node->type == GUMBO_NODE_ELEMENT &&        node->v.element.tag == GUMBO_TAG_P) {        // معالجة العقد الفرعية        GumboVector* children = &node->v.element.children;        for (unsigned int i = 0; i < children->length; ++i) {            extract_text(static_cast<GumboNode*>(children->data[i]));        }        std::cout << std::endl;        return;    }    // اجتياز تكراري للعناصر الأخرى    if (node->type == GUMBO_NODE_ELEMENT) {        GumboVector* children = &node->v.element.children;        for (unsigned int i = 0; i < children->length; ++i) {            extract_text(static_cast<GumboNode*>(children->data[i]));        }    }}

int main() {    std::string html = R"(<html><body><p>الفقرة الأولى</p><p>الفقرة الثانية</p></body></html>)";    GumboOutput* output = gumbo_parse(html.c_str());    extract_text(output->root);    gumbo_destroy_output(&kGumboDefaultOptions, output);    return 0;}