C++中的HTML解析：Gumbo、MyHTML和htmlcxx库概述

C++中的HTML解析：最佳库概述

解析HTML文档是开发解析器、网络爬虫和数据分析工具时的关键任务之一。尽管C++并非此类任务最流行的语言（落后于Python或JavaScript），但存在强大且高性能的库，能够高效处理HTML。在本文中，我们将介绍三种最成熟的解决方案：来自Google的Gumbo-parser、MyHTML和htmlcxx。我们将分析它们的API、特点，并提供实际代码示例。

1. Gumbo-parser (Google)

Gumbo是一个用于解析HTML5的库，由Google工程师开发。它完全符合WHATWG HTML5规范，并且对“脏”HTML代码具有很高的容错性。主要优点：

• 纯C API，无外部依赖。
• 支持所有HTML5元素，包括SVG和MathML。
• 返回完整的DOM树，嵌套关系正确。
• 高速运行（原生基准测试显示可达50 MB/s）。

Gumbo-parser使用示例

在此示例中，我们将从HTML文档中提取所有链接（<a>）：

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

void extract_links(GumboNode* node) {    if (node->type != GUMBO_NODE_ELEMENT) return;

    GumboAttribute* href = nullptr;    if (node->v.element.tag == GUMBO_TAG_A) {        href = gumbo_get_attribute(&node->v.element.attributes, "href");        if (href) {            std::cout << "找到链接: " << href->value << std::endl;        }    }

    // 递归遍历子元素    const GumboVector* children = &node->v.element.children;    for (unsigned int i = 0; i < children->length; ++i) {        extract_links(static_cast<GumboNode*>(children->data[i]));    }}

int main() {    std::string html = "<html><body><a href='https://example.com'>示例</a></body></html>";    GumboOutput* output = gumbo_parse(html.c_str());    extract_links(output->root);    gumbo_destroy_output(&kGumboDefaultOptions, output);    return 0;}

如您所见，使用Gumbo需要手动管理内存并递归遍历树。对于大型文档，建议使用迭代方法或栈。

2. MyHTML — 快速轻量级解析器

MyHTML是一个用C编写的库，旨在实现最大性能。它不构建完整的DOM树，而是使用类似SAX的方法（顺序遍历令牌）。这使其非常适合需要快速提取数据而无需构建复杂层次结构的任务。

MyHTML的主要特点

• 模块化架构：解析器 + 序列化器 + 流式API。
• 支持多种编码（UTF-8、Windows-1251、KOI8-R等）。
• 能够处理HTML片段（无需强制使用<html>）。
• 低内存消耗 — 不存储整个树。

示例：统计所有带有"content"类的<div>标签

#include <iostream>#include "myhtml/api.h"

int main() {    // 初始化解析器    myhtml_t* myhtml = myhtml_create();    myhtml_init(myhtml, MyHTML_OPTIONS_DEFAULT, 1, 0);

    // 解析HTML    const char* html = "<div class='content'>块1</div><div>块2</div>";    myhtml_tree_t* tree = myhtml_tree_create();    myhtml_tree_init(tree, myhtml);    myhtml_parse(tree, MyENCODING_UTF_8, html, strlen(html));

    // 通过CSS选择器查找元素    myhtml_collection_t* collection = myhtml_collection_create(1, 1);    myhtml_css_match_selector(tree, tree->node, "div.con