完善自己的html parse

2024-03-02 17:58
文章标签 html 完善 frontend parse

本文主要是介绍完善自己的html parse，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！

       说来惭愧，我发现自己写的那个html parse过于理想化，解析xml还差不多，想解析现今的html，估计是不大可能的，所以我把代码重写了一遍，数据结构改成双向链表，这样解析速度更快，最大程度地对html进行容错处理，试验时发现的确可以解析普通html字符串，不需要再严格符合那个xhtml标准了。而且在链式调用的传递参数上不需要再传入dom类型的参数，这样写起来就更加简便了。

        好了，废话不多说，看代码：

#include<iostream>
#include<string>
#include "windows.h"
#include "wininet.h"
using namespace std;
#pragma comment(lib,"wininet.lib")
wstring UTF8ToUnicode( const string& str )
{
int len = str.length();
int unicodeLen = ::MultiByteToWideChar( CP_UTF8, 0, str.c_str(), -1, NULL, 0 );
wchar_t * pUnicode;
pUnicode = new wchar_t[unicodeLen+1];
memset(pUnicode,0,(unicodeLen+1)*sizeof(wchar_t));
MultiByteToWideChar( CP_UTF8, 0, str.c_str(), -1, (LPWSTR)pUnicode, unicodeLen );
wstring rt = ( wchar_t* )pUnicode;
delete pUnicode;
return rt;
}
string UnicodeToANSI( const wstring& str )
{
char* pElementText;
int iTextLen;
// wide char to multi char
iTextLen = WideCharToMultiByte( CP_ACP, 0, str.c_str(), -1, NULL, 0, NULL, NULL );
pElementText = new char[iTextLen + 1];
memset( ( void* )pElementText, 0, sizeof( char ) * ( iTextLen + 1 ) );
WideCharToMultiByte( CP_ACP, 0, str.c_str(), -1, pElementText, iTextLen, NULL, NULL );
string strText = pElementText;
delete[] pElementText;
return strText;
}
class node;
class dom;
class nodecollect{
private:
node *n;
int length;
public:
nodecollect();
~nodecollect();
int getlength();
void add(node *nn);
node* item(int i);
};
class node{
private:
int start;
int len;
char name[20];
public:
char* nodehtml();
char* innerhtml();
char* outerhtml();
char* innertext();
char* getattr(char* str);
char* tagname();
void setname(char *str);
node* getparent();
nodecollect* getchild(); 
node* getnext();
node* getprevious();
nodecollect* getbytagname(char *tagname);
node *next;
node *previous;
void setstart(int i);
void setlen(int i);
int getstart();
int getlen();
dom *d;
};
class dom{
private:
char *text;
node *start;
node *end;
int count;
int parse(char *s);
public:
~dom();
char *gettext();
void load(char *str);
node* getitem(int i);
int getcount();
node *getbyid(char* id);
void praseurl(char *url);
nodecollect* getbytagname(char *tagname);
};
void dom::load(char* str){
start=0;
end=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=start;
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("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(),tagname)==0){
nnode->add(this->getitem(i));
}
}
return nnode;
}
dom::~dom(){
delete[] text;
node *n1=start,*n2;
if(n1){
while(n1->next!=0){
n2=n1;
n1=n1->next;
delete n2;
}
}
}
void dom::praseurl(char *url){
HINTERNET ie=InternetOpen("sx",INTERNET_OPEN_TYPE_PRECONFIG,0,0,0);
HINTERNET ieo=InternetOpenUrl(ie,url,0,0,INTERNET_FLAG_RELOAD,0);
DWORD read=0;
char b[100]={0};
char *bb=0;
string str="";
while(1){
InternetReadFile(ieo,b,99,&read);
if(read==0){
break;
}
str+=b;
memset(b,0,100);
}
string temp=UnicodeToANSI( UTF8ToUnicode(str));
bb=(char*)temp.c_str();
load(bb);
InternetCloseHandle(ieo);
InternetCloseHandle(ie);
}
int dom::parse(char *s){
int i1=0,i2=0,i3=0,i4=0;
while(*s!=0){
if(*s==0){
return (long)s;
}
if(i3==1 || i4==1){
if(*s=='\"' && *(s-1)!='\\'){
if(i1==0){
i1=1;
}else{
i1=0;
}
}
if(*s=='\'' && *(s-1)!='\\'){
if(i2==0){
i2=1;
}else{
i2=0;
}
}
}
if(*s=='<' && *(s+1)=='!'){
if(i1==0 && i2==0 && i4==0){
i3=1;
node *nn=new node;
nn->setstart(s-text);
nn->setlen(0);
nn->d=this;
nn->setname(s+1);
nn->next=0;
nn->previous=0;
if(start){
node *n1=start;
while(n1->next!=0){
n1=n1->next;
}
n1->next=nn;
nn->previous=n1;
end=nn;
}else{
start=nn;
end=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=='>' && ((*(s-1)=='-' && *(s-2)=='-') ||  (*(s-1)=='/"' && *(s-2)=='d' && *(s-3)=='t' && *(s-4)=='d' && *(s-5)=='.') || (*(s-1)=='l' && *(s-2)=='m' && *(s-3)=='t' && *(s-4)=='h' && *(s-5)==' '))){
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 && i4==0){
i3=1;
node *nn=new node;
//cout<<s-text<<endl;
nn->setstart(s-text);
nn->setlen(0);
nn->d=this;
nn->setname(s+1);
nn->next=0;
nn->previous=0;
if(start){
node *n1=start;
while(n1->next!=0){
n1=n1->next;
}
n1->next=nn;
nn->previous=n1;
end=nn;
}else{
start=nn;
end=nn;
}
if((*(s+1)=='s' || *(s+1)=='S') && (*(s+2)=='c' || *(s+2)=='C') && (*(s+3)=='r' || *(s+3)=='R') && (*(s+4)=='i' || *(s+4)=='I') && (*(s+5)=='p' || *(s+5)=='P') && (*(s+6)=='t' || *(s+6)=='T')){
i4=1;
}
if((*(s+1)=='s' || *(s+1)=='S') && (*(s+2)=='t' || *(s+2)=='T') && (*(s+3)=='y' || *(s+3)=='Y') && (*(s+4)=='l' || *(s+4)=='L') && (*(s+5)=='e' || *(s+5)=='E') ){
i4=1;
}
count++;
}
}
if(*s=='>'){
if(i1==0 && i2==0){
i3=0;
if(i4==0){
node *n1=end;
// cout<<(long)s+2-(n1->getstart())-(long)text<<endl;
n1->setlen((long)s+1-(n1->getstart())-(long)text);
}
if(stricmp(strlwr(end->tagname()),"script")==0){
i4=1;
}
if(stricmp(strlwr(end->tagname()),"style")==0){
i4=1;
}
}
}
if(*s=='<' && *(s+1)=='/'){
if(i1==0 && i2==0){
i3=0;
if(i4=1){
i4=0;
}
char temp[20]={0};
s=s+2;
int i=0;
while(*s!='>'){
temp[i++]=*s;
s++;
}
node *n1=end;
node* min;
while(n1!=0){
if(stricmp(n1->tagname(),temp)==0 && strlen(n1->nodehtml())==n1->getlen()){
min=n1;
break;
// cout<<min->getstart()<<"*"<<i<<endl;
}
n1=n1->previous;
}
n1=min;
// cout<<strlen(n1->nodehtml())<<"      "<<n1->getlen()<<endl;
// cout<<(long)s-(long)text-n1->getstart()<<endl;
n1->setlen((long)s+1-(n1->getstart())-(long)text);
}
}
s++;
}
}
void node::setname(char *str){
memset(name,0,20);
int i=0;
while(1){
if(*str=='!'){
name[0]='!';
break;
}else if(*str==' ' || *str=='/' || *str=='>'){
break;
}else if(*str==13 || *str==10){
break;
}else{
name[i++]=*str;
str++;
}
}
}
node *node::getparent(){
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(){
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;
}
nodecollect* node::getbytagname(char *tagname){
nodecollect *nn=new nodecollect;
nodecollect *nn1=getchild();
for(int i=0;i<nn1->getlength();i++){
if(stricmp(nn1->item(i)->tagname(),tagname)==0){
nn->add(nn1->item(i));
}
}
return nn;
}
char *node::tagname(){
return name;
}
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::nodehtml(){
char *out=outerhtml();
int i=0,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=='\"' && *(out-1)!='\\'){
if(i1==0){
i1=1;
}else{
i1=0;
}
}
if(*out=='\'' && *(out-1)!='\\'){
if(i2==0){
i2=1;
}else{
i2=0;
}
}
if(*out=='>'){
if(i1==0 && i2==0){
v[i]='>';
return v;
}
}
v[i++]=*(out++);
}
}
char *node::outerhtml(){
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::getattr(char* str){
char *v=nodehtml();
char* index=v;
char *attr=new char[strlen(v)+1];
memset(attr,0,strlen(v)+1);
while(1){
index=strstr(index,str);
if(index==0){
return attr;
}else{
if((*(index-1)==' ' || *(index-1)==10 || *(index-1)==13) && *(index+strlen(str))=='='){
index=index+strlen(str)+1;
break;
}
}
index++;
}
int i1=0,i2=0;
if(*index=='\"'){
i1=1;
index++;
}
if(*index=='\''){
i2=1;
index++;
}
int i=0;
while(*index!=0){
if(*index==0){
return attr;
}
if(*index=='\"' && *(index-1)!='\\'){
if(i1==0){
i1=1;
}else{
i1=0;
}
}
if(*index=='\'' && *(index-1)!='\\'){
if(i2==0){
i2=1;
}else{
i2=0;
}
}
if(*index==' ' || *index=='>' || *index=='/'){
if(i1==0 && i2==0){
if(*(index-1)=='\'' || *(index-1)=='\"'){
attr[strlen(attr)-1]=0;
return attr;
}else{
return attr;
}
}
}
*(attr+(i++))=*(index++);
}
}
char *node::innerhtml(){
char* out=outerhtml();
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())+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(){
char *h=innerhtml();
char *h1=h;
char *inner;
if(h[0]==0){
inner=new char;
*inner=0;
return inner;
}else if(stricmp(strlwr(this->tagname()),"script")==0){
inner=new char[strlen(h)+1];
strcpy(inner,h);
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){
if((*(h+1)=='s' || *(h+1)=='S') && (*(h+2)=='c' || *(h+2)=='C') && (*(h+3)=='r' || *(h+3)=='R') && (*(h+4)=='i' || *(h+4)=='I') && (*(h+5)=='p' || *(h+5)=='P') && (*(h+6)=='t' || *(h+6)=='T')){
int l=start+strlen(nodehtml())+(h-h1);
for(int i1=0;i1<d->getcount();i1++){
if(d->getitem(i1)->getstart()==l){
strcat(inner,d->getitem(i1)->innertext());
h=h+strlen(d->getitem(i1)->outerhtml());
i=i+strlen(d->getitem(i1)->innertext());
i3=0;
break;
}
}
}else{
i3=1;
}
}
}
if(i3==1){
if(*h=='/"' && *(h-1)!='//'){
if(i1==0){
i1=1;
}else{
i1=0;
}
}
if(*h=='\'' && *(h-1)!='\\'){
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(){
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(){
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;
char *temp=new char[strlen(nn->tagname())+2];
strcpy(temp,nn->tagname());
n1->setname(strcat(temp," "));
delete[] temp;
n1->d=nn->d;
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;
}
}
}


 

上面是头文件以及实现接口，下面给出个实例：

main(){
 dom d;
 d.load("<body>wef<script d=sd>gh</script>1'<img id=we/>sx<a>df<script d='d'>'<a></a>'1>22<3</script></body>");
 // for(int i=0;i<d.getcount();i++){
 cout<<d.getbyid("we")->outerhtml()<<endl;
 // }
}

       有什么不足之处，还望大家多多指正。

这篇关于完善自己的html parse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！


http://www.chinasem.cn/article/766961。

相关文章

全解析CSS Grid 的 auto-fill 和 auto-fit 内容自适应

全解析CSS Grid 的 auto-fill 和 auto-fit 内容自适应

《全解析CSSGrid的auto-fill和auto-fit内容自适应》：本文主要介绍了全解析CSSGrid的auto-fill和auto-fit内容自适应的相关资料，详细内容请阅读本文，希望能对你有所帮助... css  Grid 的 auto-fill 和 auto-fit/* 父元素 */.gri
阅读更多...
HTML5中的Microdata与历史记录管理详解

HTML5中的Microdata与历史记录管理详解

《HTML5中的Microdata与历史记录管理详解》Microdata作为HTML5新增的一个特性，它允许开发者在HTML文档中添加更多的语义信息，以便于搜索引擎和浏览器更好地理解页面内容，本文将探... 目录html5中的Mijscrodata与历史记录管理背景简介html5中的Microdata使用M
阅读更多...
html5的响应式布局的方法示例详解

html5的响应式布局的方法示例详解

《html5的响应式布局的方法示例详解》：本文主要介绍了HTML5中使用媒体查询和Flexbox进行响应式布局的方法，简要介绍了CSSGrid布局的基础知识和如何实现自动换行的网格布局，详细内容请阅读本文，希望能对你有所帮助... 一 使用媒体查询响应式布局        使用的参数@media这是常用的
阅读更多...
HTML5表格语法格式详解

HTML5表格语法格式详解

《HTML5表格语法格式详解》在HTML语法中，表格主要通过table、tr和td3个标签构成,本文通过实例代码讲解HTML5表格语法格式，感兴趣的朋友一起看看吧... 目录一、表格1.表格语法格式2.表格属性 3.例子二、不规则表格1.跨行2.跨列3.例子一、表格在html语法中，表格主要通过< tab
阅读更多...
Vue3组件中getCurrentInstance()获取App实例,但是返回null的解决方案

Vue3组件中getCurrentInstance()获取App实例,但是返回null的解决方案

《Vue3组件中getCurrentInstance()获取App实例,但是返回null的解决方案》：本文主要介绍Vue3组件中getCurrentInstance()获取App实例,但是返回nu... 目录vue3组件中getCurrentInstajavascriptnce()获取App实例，但是返回n
阅读更多...
JS+HTML实现在线图片水印添加工具

JS+HTML实现在线图片水印添加工具

《JS+HTML实现在线图片水印添加工具》在社交媒体和内容创作日益频繁的今天,如何保护原创内容、展示品牌身份成了一个不得不面对的问题,本文将实现一个完全基于HTML+CSS构建的现代化图片水印在线工具... 目录概述功能亮点使用方法技术解析延伸思考运行效果项目源码下载总结概述在社交媒体和内容创作日益频繁的
阅读更多...
前端CSS Grid 布局示例详解

前端CSS Grid 布局示例详解

《前端CSSGrid布局示例详解》CSSGrid是一种二维布局系统，可以同时控制行和列，相比Flex（一维布局），更适合用在整体页面布局或复杂模块结构中,：本文主要介绍前端CSSGri... 目录css Grid 布局详解（通俗易懂版）一、概述二、基础概念三、创建 Grid 容器四、定义网格行和列五、设置行
阅读更多...
前端下载文件时如何后端返回的文件流一些常见方法

前端下载文件时如何后端返回的文件流一些常见方法

《前端下载文件时如何后端返回的文件流一些常见方法》：本文主要介绍前端下载文件时如何后端返回的文件流一些常见方法,包括使用Blob和URL.createObjectURL创建下载链接,以及处理带有C... 目录1. 使用 Blob 和 URL.createObjectURL 创建下载链接例子：使用 Blob
阅读更多...
Vuex Actions多参数传递的解决方案

Vuex Actions多参数传递的解决方案

《VuexActions多参数传递的解决方案》在Vuex中,actions的设计默认只支持单个参数传递,这有时会限制我们的使用场景,下面我将详细介绍几种处理多参数传递的解决方案,从基础到高级,... 目录一、对象封装法（推荐）二、参数解构法三、柯里化函数法四、Payload 工厂函数五、TypeScript
阅读更多...
Vue3使用router,params传参为空问题

Vue3使用router,params传参为空问题

《Vue3使用router,params传参为空问题》：本文主要介绍Vue3使用router,params传参为空问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐... 目录vue3使用China编程router,params传参为空1.使用query方式传参2.使用 Histo
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2