使用libtidy解析html文档的小例子一个

#ifndef PARSEPAGE_HPP#define PARFSPAGE_HPP#include <string>#include <vector>#include <tidy/buffio.h>#include <tidy/fileio.h>#include <tidy/tidy.h>#include <tidy/tidyenum.h>#include <tidy/platform.h>//! 解析html页面 class ParsePage{public:    typedef std::vector<std::string> String;public:    ParsePage(int rank = 0,const std::string& cur = ""):rank(rank),cur(cur)    {        doc = tidyCreate();        root = tidyGetRoot(doc);    }    ~ParsePage()    {        tidyRelease(doc);    }public:    //! 解析给定文件    bool LoadFile(const char* file)    {            return 1 == tidyParseFile(doc,file);    }    //!解析给定内存    bool LoadBuffer(const char* buffer)    {           return 1 == tidyParseString(doc,buffer);    }    //! 内容解析    void Check()    {           CheckHref(root);    }    //! 获取链接    int GetLinkNumber()const{return links.size();}    std::string GetLinkByIndex(int index){return links.at(index);} private:    void DoHref(TidyAttr attr);    void CheckHref(TidyNode node);private:    TidyDoc     doc;    TidyNode    root;    std::string cur;    int         rank;    String      links;};#endif//! ccsdu2004

 libtidy是一个开源的用来诊断,分析,生成html文档的一个库
下面的例子是使用libtidy获取页面链接的例子
代码如下:

 

#include <boost/algorithm/string.hpp>#include "parsepage.hpp"void ParsePage::DoHref(TidyAttr attr){    std::string href(tidyAttrValue(attr));    //! 邮箱地址    if(boost::algorithm::starts_with(href,"mailto:"))    {    }    //! 链接地址    else    {        if(boost::algorithm::starts_with(href,"http:"))        {            size_t itr = href.find_last_of('#');            if(itr != std::string::npos)            {                href = href.substr(0,itr);            }        }        else        {               if(boost::algorithm::contains(href,"#"))                return;        }            links.push_back(href);    }}void ParsePage::CheckHref(TidyNode node){    TidyNode child;    for(child = tidyGetChild(node);child;child = tidyGetNext(child))    {        TidyAttr attr = tidyAttrGetHREF(child);        if(attr)        {            DoHref(attr);        }        CheckHref(child);    }}这个对象比较简单调用Check之后所有的页面链接在links中