从 HTML 中抓取 C++ 屏幕

Question

我正在尝试使用 substr 和查找从下面的 html 中提取数据“Lady Gaga Fame Monster”，但我无法检索数据。

<div class="album-name"><strong>Album</strong> > Lady Gaga Fame Monster</div>

我试图先提取整个字符串，但我只能在命令 cout << line_found 下提取到 Album ，因为有间距阻止它进一步进行。

我试试 cout << extract_line .我在提取的 html 代码中看不到空格。

我尝试了基于此 http://www.cplusplus.com/reference/string/string/substr/ 的教程，即使有空格，它也能工作。我正在密切关注，但一旦遇到空格，它就会停止提取。请帮助真的很感激。谢谢。找出 2 天没有任何解决方案。

这是源代码:

#include "parser.h"
#include <stdlib.h>
#include <iostream>
#include <fstream>
#include <string>
#include <cstring>

using namespace std;

int main() {

    string line_found, extract_line, result, finalResult="";
    int firstPosition, secondPosition, input, location;

    ifstream sourceFile ("cd1.htm"); // extracts from sourcefile

    while(!sourceFile.eof())
    {
        sourceFile >> extract_line;
        location = extract_line.find("album-name");
       // cout << extract_line;

       if (location >=0)
       {       
            line_found = extract_line.substr(location);
            cout << line_found << endl;
            firstPosition= line_found.find_first_of(">");

            result = line_found.substr(firstPosition);

       }
    }    
    return 0;
}

Answer 1

>>运算符不获取行。它获取以空格分隔的标记。使用 std::getline (参见 here)。

更好的是，不要使用字符串搜索工具来解析 HTML。这是一场等待发生的灾难。事实上，它正在发生在你身上。请注意，> 有不止一个实例。在你的行中，所以你可能会找到错误的一个并让自己陷入完全困惑，试图跳过所有无关紧要的(你可以尝试寻找 " > " ，但如果你遇到这个:...class="album-name" > <strong>... 怎么办？ ，这是完全有效的 HTML。

如果 HTML 是正确的 XHTML，请改用 XML 解析器。 Expat ，例如，体积小、速度快且(相对)易于使用。您可以找到一个不错的简单介绍 here .

如果 HTML 杂乱无章，您将难以使用 C++。有一个相关的 SO 问题 here .或者，使用具有良好 HTML 库的语言，例如 Python ( Beautiful Soup )，您可以从 C++ 调用它。