C++ 中的 HTML 解析：库、代码示例

C++ 中的 HTML 解析：工具概览与实践示例

在 C++ 中解析 HTML 是开发者在创建网页解析器、内容分析器或自动化数据收集工具时经常遇到的任务。与 Python 或 JavaScript 不同，C++ 没有用于处理 HTML 文档的内置库，但存在几个成熟且高性能的解决方案。在本文中，我们将介绍 C++ 中用于 HTML 解析的主要库、它们的特点，并提供代码示例。

C++ 中用于 HTML 解析的主要库

库的选择取决于您的需求：是否需要支持 CSS 选择器、XPath、处理损坏的 HTML，还是追求最大速度。让我们看看最流行的选项。

Gumbo-parser — 来自 Google 的库，根据规范实现 HTML5 解析。它在解析后提供 DOM 树，但不包含用于按选择器导航的内置工具。需要手动遍历节点。
MyHTML — Gumbo 的一个分支，改进了对 CSS 选择器的支持，并提供了更方便的 API。允许按类、标签和属性搜索元素。
Lexbor — 一个现代库，专注于速度和标准合规性。支持 HTML 和 CSS 选择器，以及 XPath（通过附加模块）。
htmlcxx — 一个用于将 HTML 解析为树的简单库。适用于小型项目，但不支持 HTML5。
Boost.PropertyTree（带 XML 解析器）— 可用于解析 XHTML，但不适用于无效的 HTML。

安装与配置

让我们看看两个最流行库的安装：Gumbo-parser 和 MyHTML。对于 C++17 项目，建议使用 vcpkg 或 Conan 包管理器。

// 通过 vcpkg 安装vcpkg install gumbo-parservcpkg install myhtml

// 在 CMakeLists.txt 中配置find_package(gumbo REQUIRED)target_link_libraries(your_project PRIVATE gumbo)

find_package(myhtml REQUIRED)target_link_libraries(your_project PRIVATE myhtml)

示例 1：使用 Gumbo-parser 解析 HTML（手动 DOM 遍历）

在此示例中，我们将解析一个简单的 HTML 文档，并从所有 <p> 标签中提取文本。

#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) {        // 处理子节点        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;    }    // 对其他元素进行递归遍历    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>第一段</p><p>第二段</p></body></html>)";    GumboOutput* output = gumbo_parse(html.c_str());    extract_text(output->root);    gumbo_destroy_output(&kGumboDefaultOptions, output);    return 0;}