linux - 如何使用c从网页剥离html标签和图像到文件

Question

我将如何使用 c 编写一个程序来剥离通过终端在 Linux 中输入的网页并删除所有 HTML 标签和图像并将剩余的内容放入文件中。

我只是对如何从终端获取网页感到困惑。

感谢您的帮助。

Answer 1

• 你可以通过curl、wget、aria2c等各种程序在终端中获取网页。使用这些程序下载网页使用编写您的 C 程序来剥离标签。

• 如果你想用C下载网页，你可以用libcurl .如何使用 libcurl 获取示例代码下载 http://stackoverflow.com 使用以下命令。

  curl --libcurl downloadstackoverflow.c  http://stackoverflow.com
  

  这将生成一个包含示例代码的文件 downloadstackoverflow.c。

• 这是一个从 html 中剥离标签的简单程序。它不支持引号 " 中的标签。但您应该明白这一点。

  int main() {
     int in_tag = 0;
     char c;
  
     while ((c = getchar()) != EOF) {
         if (c == '<' || c == '>') {
             in_tag = (c == '<') ? 1 : 0;
         } else {
             if (!in_tag) {
                 putchar(c);
             }
         }
     } }