改写版的tinyxml，HTML解析器

改写版的tinyxml，HTML解析器

某个公司的笔试题要求提示用tinyxml解析HTML。

文章开始前，先吐槽一下，哪里有多达几个月的笔试题啊~~我的时间很贵的，平常在公司，没钱我是从不加班的╮(╯▽╰)╭

好了，现在开始本文……

tinyxml只能解析XML，但是HTML却不一定遵守XML规范。

具体表现在两方面：

1、HTML中存在不成对出现的标签，例如:<meta xxx = "xafaf" >

2、HTML中的script脚本可以包含小于号"<"和“>"，但是，tinyxml把"<"当成一个标签的开始点

我们针对上面两点对tinyxml进行改写：

一、1、TiXmlelement::Parse() 修正为可以识别不成对的标签；

         在读取完TiXmlelement的属性值，开始读取TiXmlElenment的value之前修改成如下代码（约在tinyxmlparser.cppの1103行）：

              else if ( *p == '>' )

             {

                     /*********************************************

                     * 2012/07/24 wanminfei add for HTML anylize start

                     * In the HTML anylize below tag shoule be conside

                     * 1.<meta xxxx > 

                     * 2.<area xxxx >

                     * 3.<img xxxxx >

                     * 4.<input xxx >

                     * they all has not the end tag like this </xxxx>

                     *********************************************/                            if(StringEqual(value.c_str(),"meta",false,encoding)||StringEqual(value.c_str(),"area",false,encoding)||StringEqual(value.c_str(),"img",false,encoding)||StringEqual(value.c_str(),"input",false,encoding))

                     {

                        ++p;

                        return p;

                     }

                   /*********************************************

                   * 2012/07/24 wanminfei add for HTML anylize end

                    *********************************************/

                   // Done with attributes (if there were any.)

                  // Read the value -- which can include other

                 // elements -- read the end tag, and return.

                  ++p;

                  p = ReadValue( p, data, encoding );// Note this is an Element method, and will set the error if one happens.

                  if ( !p || !*p ) {

                                 // We were looking for the end tag, but found nothing.

                                // Fix for [ 1663758 ] Failure to report error on bad XML

                              if ( document ) document->SetError( TIXML_ERROR_READING_END_TAG, p, data, encoding );

                             return 0;

                             }

                     // We should find the end tag now

                     // note that:

                     // </foo > and

                     // </foo> 

                     // are both valid end tags.

二、在tinyxml中增加对<script>标签的特殊处理

    1、TiXmlText中增加是否为<script>的text值判断变量（约在tinyxml.hの1279行）

        private:

       bool cdata;// true if this should be input and output as a CDATA style text element

       //2012/07/24 wanminfei add for HTML analysize start

       bool script_bool;

       //2012/07/24 wanminfei add for HTML analysize end

    2、在TiXmlText的构造函数中加入script_bool的初始化，在此略去。

    3、在ReadValue的TiXmlText的创建位置增加是否为<script>的判断（约在tinyxmlparser.cpp的1205行）

         while ( p && *p )

{

                  if ( *p != '<' )

                   {

                   // Take what we have, make a text element.

                     TiXmlText* textNode = new TiXmlText( "" );

                    /*******************************************

                     * 2012/07/24 wanminfei add for HTML analysize start

                     * in the HTML analysize ,the tag about <script>

                     * is diffirent ,becouse below:

                     * <script> a<4 </script>

                     * < and > can be use in it.

                     * so we should deal it especially

                     ******************************************/

                    if(StringEqual(value.c_str(),"script",true,encoding))

                      {

                          textNode->script_bool =true;

                       }

                   /*******************************************

                    * 2012/07/24 wanminfei add for HTML analysize end

                    ******************************************/

      4、对TiXmlText的Parse增加对<script>标签的特定处理（tinyxmlparser.cppの1573行左右）；

          else

{

bool ignoreWhite = true;

                   //2012/07/24 wanminfei add for HTML analysize start

                   //const char* end = "<";

                   char* end = "<";

                   if(this->script_bool)

                      {

                          end = "</";

                          p = ReadText( p,&value,ignoreWhite,end,true,encoding);

                         //for "/" of the "</" keeps back.

                          p--;

                       }

                      else 

                      {

                         p = ReadText( p, &value, ignoreWhite, end, false, encoding );

                       }

                      //2012/07/24 wanminfei add for HTML analysize end.

                       if ( p && *p )

                         return p-1;// don't truncate the '<'

                        return 0;

                        }

 

改版过后的tinyxml库，基本可以提取出HTML的信息了……

在此，再次吐糟，笔试题有这样的么~%>_<%