تحليل HTML في C++: نظرة عامة على المكتبات وأمثلة الكود

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

تحليل HTML بلغة C++ هي مهمة يواجهها المطورون عند إنشاء أدوات استخراج بيانات الويب، محللي المحتوى، أو أدوات استخراج البيانات. على عكس Python، حيث تعد BeautifulSoup و lxml المعيار، لا يوجد حل مهيمن واحد في C++. ومع ذلك، هناك العديد من المكتبات الناضجة وعالية الأداء التي تسمح بالعمل بكفاءة مع مستندات HTML.

في هذه المقالة، سنستعرض ثلاث مكتبات الأكثر شيوعًا لتحليل HTML بلغة C++: Gumbo-parser (من Google)، libxml2 (مع وحدة HTML)، و MyHTML. سنقدم أمثلة الكود، ونقارن إمكانياتها، ونقدم توصيات للاختيار.

1. Gumbo-parser: الموثوقية من Google

Gumbo-parser هي مكتبة من Google تنفذ تحليل HTML5 وفقًا لمواصفات WHATWG. إنها مكتوبة بلغة C النقية، مما يجعلها خفيفة وسريعة. المزايا الرئيسية:

• دعم كامل لـ HTML5 (بما في ذلك المستندات غير الصالحة)
• الحد الأدنى من التبعيات
• واجهة برمجة تطبيقات بسيطة لاجتياز شجرة DOM
• أداء عالي

التثبيت:

git clone https://github.com/google/gumbo-parsercd gumbo-parser./autogen.sh./configuremakesudo make install

مثال على تحليل HTML واستخراج جميع الروابط:

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

void extract_links(GumboNode* node, std::vector<std::string>& links) {    if (node->type != GUMBO_NODE_ELEMENT) return;

    GumboAttribute* href;    if (node->v.element.tag == GUMBO_TAG_A &&        (href = gumbo_get_attribute(&node->v.element.attributes, "href"))) {        links.push_back(href->value);    }

    const GumboVector* children = &node->v.element.children;    for (unsigned int i = 0; i < children->length; ++i) {        extract_links(static_cast<GumboNode*>(children->data[i]), links);    }}

int main() {    const std::string html = R"(<html><body>        <a href="https://pythonlib.ru">PythonLib</a>        <a href="/about">عنّا</a>    </body></html>)";

    GumboOutput* output = gumbo_parse(html.c_str());    std::vector<std::string> links;    extract_links(output->root, links);

    for (const auto& link : links) {        std::cout << "تم العثور على رابط: " << link << std::endl;    }

    gumbo_destroy_output(&kGumboDefaultOptions, output);    return 0;}

الإخراج:

تم العثور على رابط: https://pythonlib.ruتم العثور على رابط: /about

2. libxml2: محلل متعدد الاستخدامات مع وحدة HTML

libxml2 هي مكتبة قوية للعمل مع XML و HTML. يعتمد محلل HTML الخاص بها على نفس مبادئ محلل XML، ولكنه مُكيَّف لبناء HTML غير الصارم. المزايا:

• دعم XPath لاختيار العناصر
• دعم مدمج للترميزات
• الاستقرار والانتشار الواسع
• إمكانية العمل مع XSLT

التثبيت (Ubuntu/Debian):

sudo apt-get install libxml2-dev libxslt1-dev

مثال على استخدام XPath للبحث عن جميع العناوين h2:

#include <libxml/HTMLparser.h>#include <libxml/xpath.h>#include <iostream>

int main() {    const char* html = "<html><body><h2>العنوان 1</h2><h2>العنوان 2</h2></body></html>";        htmlDocPtr doc = htmlReadDoc(        reinterpret_cast<const xmlChar*>(html),        nullptr,        nullptr,        HTML_PARSE_RECOVER | HTML_PARSE_NOERROR | HTML_PARSE_NOWARNING    );

    xmlXPathContextPtr xpathCtx = xmlXPathNewContext(doc);    xmlXPathObjectPtr