C/C++，libxml2:解析HTML片段

C/C++, libxml2: parsing HTML fragments

本文关键字：解析 HTML 片段 libxml2 C++      更新时间：2023-10-16

我需要解析现实生活中的HTML文档。在大多数情况下，它们都是良好的形式，但有时（这一点不容忽视），它们看起来像在根级别具有多个同级的片段
示例：

<div>one</div>
<div>two</div>

现在，我使用带有以下解析标志的libxml2 v2.7.8：

HTML_PARSE_NOERROR | HTML_PARSE_RECOVER | HTML_PARSE_NODEFDTD | HTML_PARSE_NOIMPLIED

如果我给它提供上面的例子，然后从解析的文档中转储HTML：

<div>one<div>two</div></div>

正如你所看到的，它嵌套了元素，而我的要求是不要破坏HTML。此外，我希望能够在由这些片段创建的树上运行XPath表达式。在这种情况下，要获得第二个DIV，可以使用"/DIV[2]"。

所以问题是是否有可能解析这些类型的HTML，以及如何解析？

我想您需要html到xml的转换。在Java中，我使用JSoup，但stackoverflow肯定知道如何在c中做到这一点

PHP的DOM组件使用Libxml2。使用PHP时，我发现了以下解决方法：

<?php
echo DOMDocument::loadHTML("<b>Bold</b> <i>Italic</i>", LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD)->saveHTML();
echo DOMDocument::loadHTML("<div><b>Bold</b> <i>Italic</i>", LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD)->saveHTML();

输出：

<b>Bold<i>Italic</i></b>
<div><b>Bold</b> <i>Italic</i></div>

因此，对于不可否认的有点棘手的答案，只需在输入字符串前加上<div>，然后从输出字符串中删除<div>和</div>。

相关文章：