avhtml - html解析器

avhtml 是一个 c++ 写成的 HTML 页面解析器. 将 HTML 文本解析成 DOM 节点. 然后就可以使用 jquery 选择器来提取 HTML 页面上的信息.

比如提取标题, 可以用 "title" 选择器.

部分解析

avhtml 支持边输入 html 页面边解析. 也就是页面不需要完全下载, 下到哪解析到哪.

每次read下载到部分页面后, 可以用 dom::append_partial_html() 喂入这段 html 代码.

如果返回 false 表示页面有错误, 停止解析. true 则页面没有错误, 下次可以继续喂入解析

选择器

avhtml 支持 jquery 一样的选择器语法来选择 DOM 里的节点. 极大的方便了大家提取 html 页面里的信息.

要使用选择器, 使用 [] 下标即可.

如要返回页面的标题, 如下面的例子

void test()
{
    html::dom page;

    page.append_partial_html("<html><head>");


    // assert(page["title"].to_plain_text() == "hello world"); // 这里失败

    page.append_partial_html("<title>hello world</title");

    // assert(page["title"].to_plain_text() == "hello world"); // 这里失败


    page.append_partial_html("></he");

    assert(page["title"].to_plain_text() == "hello world"); // 成功!

    page.append_partial_html("ad></html>");

    assert(page["title"].to_plain_text() == "hello world"); // 成功!
}

使用 page["title"] 就可以返回了, 就好像 jquery 的选择符. 返回的结果还是 dom 类型. 可以使用 to_plain_text() 转为纯文本格式.

选择器语法支持列表

| Selector | Example | Desc | Support | |--------------------|------------------------|-----------------------------------|---------| | * | page["*"] | all elements | √ | | #id | page["#id1"] | id="id1" | √ | | .class | page[".class1"] | class="class1" | √ | | element | page["div"] | all <div> tags | √ | | :first | page["p:first"] | first <p> tag | √ | | :last | page["p:last"] | last <p> tag | | | :eq | page["p:eq(3)"] | fourth <p> tag(index starts at 0) | √ | | :qt | page["p:qt(3)"] | list <p> tag with index > 3 | | | :lt | page["p:lt(3)"] | list <p> tag with index < 3 | | | :input | page[":input"] | all input tags | | | [attribute] | page["[href]"] | all tags with href attribute | √ | | [attribute=value] | page["[href='#']"] | all tags with empty link | √ | | [attribute!=value] | page["[href!='#']"] | all tags with not empty link | √ | | [attribute$=value] | page["[href$='.jpg']"] | all tags with jpg link | √ |

选择器支持组合

比如 "div.class" "div#id1" "div #id1"

注意这里 "div#id1" 和 "div #id1" 的含义是不一样的哦!

"div#id1" 意思是所有 id=id1 的 div 标签, 而 "div #id1" 的意思是所有 div 标签(包括其含的子标签) 里找 id=id1 的标签

比如

<div> <p id="id1"></p></div> 这样的 html, 是可以被 "div #id1" 选中的. 返回的就是那个 p 节点. 而 "div#id1" 则返回空.

Avhtml

Install / Use

README

avhtml - html解析器

部分解析

选择器

选择器语法支持列表