本文主要是介绍c++编写html文件解析器，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
最近本来是要去那嵌入式课的，但是那课竟然说人数太少，开不了，靠。所以这两天只能自己研究点东西了。记得自己以前就想动手写一个关于dom的解析引擎，只怪自己太懒，一直没动笔。最近在家也没什么事做，就自己动手写一个，花了一天时间写的差不多了，正好锻炼自己的c++水平吧。
这个解析程序有三个类，node，nodecollect，dom。dom这个类是个包装，它就相当与document吧，nodecollect是节点的集合，比如getelementsbytagname的返回集合吧，node类就是具体到节点。这个程序解析的原理就是解析一段html字符串，在里面提取节点，然后用链表存储节点，node类有两个私有对象，start，len。start就是该节点字符串到原始字符串的位置，len即使该节点字符串的长度。所以我们根据该节点的start和len就可以定位该节点在原始字符串的位置。
好了，下面看代码：
#include<iostream>
using namespace std;
class node;
class dom;
class nodecollect{
private:
node *n;
int length;
public:
nodecollect();
~nodecollect();
int getlength();
node* item(int i);
void add(node *nn);
};
class node{
private:
int start;
int len;
public:
char* innerhtml(dom& d);
char* outerhtml(dom& d);
char* innertext(dom& d);
char* getattr(dom& d,char* str);
char* tagname(dom& d);
node* getparent(dom &d);
nodecollect* getchild(dom &d);
node* getnext(dom &d);
node* getprevious(dom &d);
node *next;
void setstart(int i);
void setlen(int i);
int getstart();
int getlen();
};
class dom{
private:
char *text;
node *n;
int count;
int parse(char *s);
public:
~dom();
char *gettext();
void load(char *str);
node* getitem(int i);
int getcount();
node *getbyid(char* id);
nodecollect* getbytagname(char *tagname);
};
void dom::load(char* str){
n=0;
count=0;
int l=strlen(str);
text=new char[l+1];
strcpy(text,str);
char *t=text;
parse(t);
}
int dom::getcount(){
return count;
}
char *dom::gettext(){
return text;
}
node* dom::getitem(int i){
node* n1=n;
while(i--){
if(n1){
n1=n1->next;
}else{
return 0;
}
}
return n1;
}
node *dom::getbyid(char *id){
for(int i=0;i<this->getcount();i++){
if(::stricmp(this->getitem(i)->getattr(*this,"id"),id)==0){
return this->getitem(i);
}
}
return 0;
}
nodecollect* dom::getbytagname(char *tagname){
nodecollect *nnode=new nodecollect;
for(int i=0;i<this->getcount();i++){
// cout<<strlen(this->getitem(i)->tagname(*this))<<endl;
if(::stricmp(this->getitem(i)->tagname(*this),tagname)==0){
nnode->add(this->getitem(i));
}
}
return nnode;
}
dom::~dom(){
delete[] text;
node *n1=n,*n2;
if(n1){
while(n1->next!=0){
n2=n1;
n1=n1->next;
delete n2;
}
}
}
int dom::parse(char *s){
int i1=0,i2=0,i3=0;
while(*s!=0){
if(*s==0){
return (long)s;
}
if(i3==1){
if(*s=='/"'){
if(i1==0){
i1=1;
}else{
i1=0;
}
}
if(*s=='/''){
if(i2==0){
i2=1;
}else{
i2=0;
}
}
}
if(*s=='<' && *(s+1)=='!'){
if(i1==0 && i2==0){
i3=1;
node *nn=new node;
nn->setstart(s-text);
nn->setlen(0);
nn->next=0;
if(n){
node *n1=n;
while(n1->next!=0){
n1=n1->next;
}
n1->next=nn;
}else{
n=nn;
}
int s1=(long)s;
while(*s){
if(*s=='/"'){
if(i1==0){
i1=1;
}else{
i1=0;
}
}
if(*s=='/''){
if(i2==0){
i2=1;
}else{
i2=0;
}
}
if(*s=='>'){
if(i1==0 && i2==0){
//cout<<(long)s+1-s1<<endl;
nn->setlen((long)s+1-s1);
s++;
break;
}
}
s++;
}
count++;
}
}
if(*s=='<' && *(s+1)!='/' && *(s+1)!='!'){
if(i1==0 && i2==0){
i3=1;
node *nn=new node;
//cout<<s-text<<endl;
nn->setstart(s-text);
nn->setlen(0);
nn->next=0;
if(n){
node *n1=n;
while(n1->next!=0){
n1=n1->next;
}
n1->next=nn;
}else{
n=nn;
}
count++;
}
}
if(*s=='>'){
if(i1==0 && i2==0){
i3=0;
}
}
if(*s=='/' && *(s+1)=='>'){
if(i1==0 && i2==0){
i3=0;
node *n1=n;
while(n1->next!=0){
n1=n1->next;
}
// cout<<(long)s+2-(n1->getstart())-(long)text<<endl;
n1->setlen((long)s+2-(n1->getstart())-(long)text);
}
}
if(*s=='<' && *(s+1)=='/'){
if(i1==0 && i2==0){
i3=0;
node *n1=n;
node* min;
int i=0;
while(n1!=0){
if(n1->getlen()==0){
min=n1;
// cout<<min->getstart()<<"*"<<i<<endl;
}
n1=n1->next;
i++;
}
n1=min;
// cout<<n1->getstart()<<endl;
// cout<<(long)s-(long)text-n1->getstart()<<endl;
while(*s!='>'){
s++;
}
n1->setlen((long)s+1-(n1->getstart())-(long)text);
}
}
s++;
}
}
void node::setstart(int i){
start=i;
}
void node::setlen(int i){
len=i;
}
int node::getstart(){
return start;
}
int node::getlen(){
return len;
}
char* node::getattr(dom& d,char *str){
char *out=outerhtml(d);
int i1=0,i2=0;
char *v=new char[strlen(out)+1];
::memset(v,0,strlen(out)+1);
while(*out!=0){
if(*out==0){
return v;
}
if(*out=='/"'){
if(i1==0){
i1=1;
}else{
i1=0;
}
}
if(*out=='/''){
if(i2==0){
i2=1;
}else{
i2=0;
}
}
if(*out=='>'){
if(i1==0 && i2==0){
return v;
}
}
char *s=strstr(out,str);
if(s!=0 && s-out==0){
if(i1==0 && i2==0){
if(*(s-1)==' ' && *(s+strlen(str))=='=' && (*(s+strlen(str)+1)=='/'' || *(s+strlen(str)+1)=='/"')){
char f=*(s+strlen(str)+1);
char *t=s+strlen(str)+2;
int ii=0;
while(*t!=f || *(t-1)=='//'){
v[ii]=*t;
t++;
ii++;
}
return v;
}
}
}
out++;
}
}
node *node::getparent(dom& d){
int p=-1;
for(int i=0;i<d.getcount();i++){
if(d.getitem(i)->getstart()<start){
if(d.getitem(i)->getlen()+d.getitem(i)->getstart()>start+len){
p=i;
}
}else{
break;
}
}
if(p==-1){
return 0;
}else{
return d.getitem(p);
}
}
nodecollect* node::getchild(dom &d){
int p=-1;
nodecollect *nn=new nodecollect;
for(int i=0;i<d.getcount();i++){
if(d.getitem(i)->getstart()>start){
p=i;
break;
}
}
if(p!=-1){
for(;p<d.getcount();p++){
if(start+len>d.getitem(p)->getlen()+d.getitem(p)->getstart()){
nn->add(d.getitem(p));
}else{
break;
}
}
}
return nn;
}
char *node::outerhtml(dom &d){
char *out=new char[len+1];
char *c=d.gettext()+start;
for(int i=0;i<len;i++){
*(out+i)=*(c+i);
}
out[len]=0;
return out;
}
char* node::tagname(dom &d){
char *out=this->outerhtml(d);
char *tag=new char[strlen(out)+1];
int i=1;
for(;*(out+i)!=' ' && *(out+i)!='-' && *(out+i)!='/' && *(out+i)!='>';i++){
tag[i-1]=*(out+i);
}
tag[i-1]=0;
return tag;
}
char *node::innerhtml(dom& d){
char* out=outerhtml(d);
char *base=out;
int l=strlen(out);
int i1=0,i2=0;
char *inner=new char[strlen(out)+1];
::memset(inner,0,strlen(out)+1);
while(*out!=0){
if(*out==0){
return inner;
}
if(*out=='/"'){
if(i1==0){
i1=1;
}else{
i1=0;
}
}
if(*out=='/''){
if(i2==0){
i2=1;
}else{
i2=0;
}
}
if(*out=='>'){
if(i1==0 && i2==0){
break;
}
}
out++;
}
int innerlen=l-(strlen(tagname(d))+3)-(out-base+1);
if(innerlen==0){
return inner;
}else{
for(int i=0;i<innerlen;i++){
inner[i]=*(out+i+1);
}
return inner;
}
}
char *node::innertext(dom& d){
char *h=innerhtml(d);
char *inner;
if(h[0]==0){
inner=new char;
*inner=0;
return inner;
}else{
inner=new char[strlen(h)+1];
::memset(inner,0,strlen(h)+1);
}
int i=0,i1=0,i2=0,i3=0;
for(;*h!=0;h++){
if(*h==0){
return inner;
}
if(*h=='<'){
if(i3==0){
i3=1;
}
}
if(i3==1){
if(*h=='/"'){
if(i1==0){
i1=1;
}else{
i1=0;
}
}
if(*h=='/''){
if(i2==0){
i2=1;
}else{
i2=0;
}
}
if(*h=='>'){
if(i1==0 && i2==0){
i3=0;
}
}
}else{
//cout<<*h;
*(inner+i)=*h;
i++;
}
}
return inner;
}
node* node::getprevious(dom &d){
node *nn=0;
for(int i=0;i<d.getcount();i++){
if(d.getitem(i)->getstart()==start && d.getitem(i)->getlen()==len){
break;
}else{
if(start>=d.getitem(i)->getstart()+d.getitem(i)->getlen()){
nn=d.getitem(i);
}
}
}
return nn;
}
node* node::getnext(dom& d){
node *nn=0;
for(int i=0;i<d.getcount();i++){
if(start+len<=d.getitem(i)->getstart()){
nn=d.getitem(i);
break;
}
}
return nn;
}
nodecollect::nodecollect(){
n=0;
length=0;
}
int nodecollect::getlength(){
return length;
}
node *nodecollect::item(int i){
node* n1=n;
while(i--){
if(n1){
n1=n1->next;
}else{
return 0;
}
}
return n1;
}
void nodecollect::add(node *nn){
node *n1=new node;
n1->setstart(nn->getstart());
n1->setlen(nn->getlen());
n1->next=0;
if(n){
node *n2=n;
while(n2->next){
n2=n2->next;
}
n2->next=n1;
}else{
n=n1;
}
length++;
}
nodecollect::~nodecollect(){
node *n1=n,*n2;
if(n1){
while(n1->next!=0){
n2=n1;
n1=n1->next;
delete n2;
}
}
}
不好意思，代码有点长，大概500多行吧，不过也没办法，因为在解析时要考虑到的情况太多了，所以就显得有点冗长。下面我列出每个类的接口：
class nodecollect{
private:
node *n;
int length;
public:
nodecollect();
~nodecollect();
int getlength();
node* item(int i);
void add(node *nn);
};
class node{
private:
int start;
int len;
public:
char* innerhtml(dom& d);
char* outerhtml(dom& d);
char* innertext(dom& d);
char* getattr(dom& d,char* str);
char* tagname(dom& d);
node* getparent(dom &d);
nodecollect* getchild(dom &d);
node* getnext(dom &d);
node* getprevious(dom &d);
node *next;
void setstart(int i);
void setlen(int i);
int getstart();
int getlen();
};
class dom{
private:
char *text;
node *n;
int count;
int parse(char *s);
public:
~dom();
char *gettext();
void load(char *str);
node* getitem(int i);
int getcount();
node *getbyid(char* id);
nodecollect* getbytagname(char *tagname);
};
大家可以看到和标准的dom操作还是很类似的吧。node类的许多方法都有个dom类型的参数，因为我们要对dom对象里的node链表进行遍历，查找到符合要求的项。
html解析的核心代码看下面：
int dom::parse(char *s){
int i1=0,i2=0,i3=0;
while(*s!=0){
if(*s==0){
return (long)s;
}
if(i3==1){
if(*s=='/"'){
if(i1==0){
i1=1;
}else{
i1=0;
}
}
if(*s=='/''){
if(i2==0){
i2=1;
}else{
i2=0;
}
}
}
if(*s=='<' && *(s+1)=='!'){
if(i1==0 && i2==0){
i3=1;
node *nn=new node;
nn->setstart(s-text);
nn->setlen(0);
nn->next=0;
if(n){
node *n1=n;
while(n1->next!=0){
n1=n1->next;
}
n1->next=nn;
}else{
n=nn;
}
int s1=(long)s;
while(*s){
if(*s=='/"'){
if(i1==0){
i1=1;
}else{
i1=0;
}
}
if(*s=='/''){
if(i2==0){
i2=1;
}else{
i2=0;
}
}
if(*s=='>'){
if(i1==0 && i2==0){
//cout<<(long)s+1-s1<<endl;
nn->setlen((long)s+1-s1);
s++;
break;
}
}
s++;
}
count++;
}
}
if(*s=='<' && *(s+1)!='/' && *(s+1)!='!'){
if(i1==0 && i2==0){
i3=1;
node *nn=new node;
//cout<<s-text<<endl;
nn->setstart(s-text);
nn->setlen(0);
nn->next=0;
if(n){
node *n1=n;
while(n1->next!=0){
n1=n1->next;
}
n1->next=nn;
}else{
n=nn;
}
count++;
}
}
if(*s=='>'){
if(i1==0 && i2==0){
i3=0;
}
}
if(*s=='/' && *(s+1)=='>'){
if(i1==0 && i2==0){
i3=0;
node *n1=n;
while(n1->next!=0){
n1=n1->next;
}
// cout<<(long)s+2-(n1->getstart())-(long)text<<endl;
n1->setlen((long)s+2-(n1->getstart())-(long)text);
}
}
if(*s=='<' && *(s+1)=='/'){
if(i1==0 && i2==0){
i3=0;
node *n1=n;
node* min;
int i=0;
while(n1!=0){
if(n1->getlen()==0){
min=n1;
// cout<<min->getstart()<<"*"<<i<<endl;
}
n1=n1->next;
i++;
}
n1=min;
// cout<<n1->getstart()<<endl;
// cout<<(long)s-(long)text-n1->getstart()<<endl;
while(*s!='>'){
s++;
}
n1->setlen((long)s+1-(n1->getstart())-(long)text);
}
}
s++;
}
}
我本来想用递归的，但是想了一会没什么思路，就用迭代了，上面代码对每一个字符进行扫描，对html里特征字符进行记录，来提取节点的。
下面看个例子：
main(){
dom d;
d.load("<html><body>sadas<a/><a hre='dsf'>as'</a></body></html>");
//for(int i=0;i<d.getcount();i++)
// cout<<d.getitem(i)->getstart()<<" "<<d.getitem(i)->getlen()<<endl;
cout<<d.getbytagname("a")->item(1)->innertext(d);
}
什么getparent就是获得父节点，返回node对象指针，getchild就是获得子节点集合，返回nodecollect对象指针。其他的顾名思义了。注意在返回节点指针时，你要先判断其指针是否为0，为0即代表该节点不存在。
该程序进行了许多测试，但肯定还有许多bug，还望大家多多指正。
这篇关于c++编写html文件解析器的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
