Parseo de HTML en C++: resumen de bibliotecas y ejemplos de código

Parseo de HTML en C++: resumen de bibliotecas y ejemplos prácticos

El parseo de HTML en C++ es una tarea que enfrentan los desarrolladores al crear web scrapers, analizadores de contenido o herramientas para la extracción de datos. A diferencia de Python, donde BeautifulSoup y lxml son el estándar, en C++ no existe una solución única dominante. Sin embargo, existen varias bibliotecas maduras y de alto rendimiento que permiten trabajar eficientemente con documentos HTML.

En este artículo, analizaremos las tres bibliotecas más populares para el parseo de HTML en C++: Gumbo-parser (de Google), libxml2 (con módulo HTML) y MyHTML. Proporcionaremos ejemplos de código, compararemos sus capacidades y daremos recomendaciones para su elección.

1. Gumbo-parser: fiabilidad de Google

Gumbo-parser es una biblioteca de Google que implementa el parseo de HTML5 de acuerdo con la especificación WHATWG. Está escrita en C puro, lo que la hace ligera y rápida. Principales ventajas:

• Soporte completo de HTML5 (incluyendo documentos no válidos)
• Cantidad mínima de dependencias
• API simple para recorrer el árbol DOM
• Alto rendimiento

Instalación:

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

Ejemplo de parseo de HTML y extracción de todos los enlaces:

#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">Sobre nosotros</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 << "Enlace encontrado: " << link << std::endl;    }

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

Salida:

Enlace encontrado: https://pythonlib.ruEnlace encontrado: /about

2. libxml2: parser universal con módulo HTML

libxml2 es una potente biblioteca para trabajar con XML y HTML. Su parser HTML se basa en los mismos principios que el parser XML, pero está adaptado para la sintaxis no estricta de HTML. Ventajas:

• Soporte de XPath para la selección de elementos
• Soporte integrado de codificaciones
• Estabilidad y amplia difusión
• Posibilidad de trabajar con XSLT

Instalación (Ubuntu/Debian):

sudo apt-get install libxml2-dev libxslt1-dev

Ejemplo de uso de XPath para buscar todos los encabezados h2:

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

int main() {    const char* html = "<html><body><h2>Encabezado 1</h2><h2>Encabezado 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