c - 如何在 html 中搜索字符串模式，用 C 编码？

Question

我需要在 html 文件中搜索标题(字符串)。为此，我执行了 strstr 来获取标签“li”，其中包含标签“title=\”，其中包含我想要的字符串。

例如:使用下面的数组，我需要获取书名、标题内的内容。但是，我需要 html 正文中的所有标题，其中有数百个。

<li><i><a href="/wiki/Animal_Farm" title="Animal Farm">A Revolução dos Bichos</a></i> (<a href="/wiki/1945" title="1945">1945</a>), de <a href="/wiki/George_Orwell" title="George Orwell">George Orwell</a>.</li>

我试图使用 strlen 运行“for”来获取其循环条件(行长度)。在这个 for 中，我使用 strstr 来获取 title=”，最终复制字符串直到引号末尾。

像这样:

for (i=0, i<len, i++){
    if(strstr(array[i] == " title=\""){
        do{
    temp[i] = array[i];
          }while((strcmp(array[i], "\""));
    }
}

这就是我挣扎的地方。如何使用模式(条件)获取字符串内部的字符串？有什么建议吗？

提前谢谢您!问候。

Answer 1

“以正确的方式”解析 HTML 比一次检查一个字符串要复杂得多。我下面的代码比相反的方式做了更多不正确的事情 - 但这部分是由于缺乏信息。

您的 HTML 格式正确吗？可以title属性包含字符串 li或title ，或流浪<或>人物？是否需要考虑标签内部可能出现空格，如< li > ？所有属性都是用双引号写的" ，或者可以有单引号 '还有吗？

我的代码显示了 HTML 解析的一般思想:从一个 < 跳转转到下一个并检查其后面的 HTML 命令。但正如您所看到的，它非常丑陋，而且虽然它“完成了工作”，但几乎无法维护。

对于在明确定义的参数内快速完成工作，它可能会做；对于所有其他人，请寻找通用的 HTML 解析库，它将使您免受上述警告的影响，并为元素和属性提供用户友好的界面。

#include <stdio.h>
#include <string.h>
#include <ctype.h>

int main()
{
    char str[] = "<li><i><a href=\"/wiki/Animal_Farm\" title=\"Animal Farm\">A Revolução dos Bichos</a></i> (<a href=\"/wiki/1945\" title=\"1945\">1945</a>), de <a href=\"/wiki/George_Orwell\" title=\"George Orwell\">George Orwell</a>.</li>"
                "<li><i><a href=\"/wiki/Animal_Farm_II\" title=\"Animal Farm II: Return of the Hog\">A Revolução dos Bichos</a></i> (<a href=\"/wiki/1945\" title=\"1945\">1945</a>), de <a href=\"/wiki/George_Orwell\" title=\"George Orwell\">George Orwell</a>.</li>";
    char *html_walker;
    html_walker = str;
    do
    {
        html_walker = strstr(html_walker, "<");
        if (!html_walker)
            break;
        /* Is this "LI"? */
        if (!strncasecmp(html_walker+1, "LI", 2) &&
            !isalnum(html_walker[3]))
        {
            /* Yes. Scan following HTML entries for 'title' until we find an "</LI>" */
            do
            {
                /* an "</LI>" code. Bye. */
                if (*html_walker == '<')
                {
                    html_walker++;
                    if (!strncasecmp(html_walker+1, "/LI", 3) &&
                        !isalnum(html_walker[4]))
                    {
                        while (*html_walker && *html_walker != '>')
                            html_walker++;
                        if (*html_walker == '>')
                            html_walker++;
                        break;
                    }
                    /* Not an "</LI>" code. Look for 'title' */
                    while (*html_walker && *html_walker != '>')
                    {
                        if (isspace (*html_walker) &&
                            !strncasecmp(html_walker+1, "TITLE=\"", 7))
                        {
                            html_walker += 8;
                            printf ("title [");
                            while (*html_walker && *html_walker != '"')
                            {
                                printf ("%c", *html_walker);
                                html_walker++;
                            }
                            printf ("]\n"); fflush (stdout);
                            /* We found a title, so skip to next </LI> */
                            do
                            {
                                html_walker = strstr(html_walker, "<");
                                if (!html_walker)
                                    break;
                                /* Is this "/LI"? */
                                if (!strncasecmp(html_walker+1, "/LI", 3) &&
                                    !isalnum(html_walker[4]))
                                    break;
                                html_walker++;
                            } while (html_walker && *html_walker);
                            break;
                        }
                        html_walker++;
                    }
                    if (*html_walker == '>')
                        html_walker++;
                } else
                {
                    html_walker++;
                }
            } while (*html_walker);
        } else
        {
            /* Skip forward to next '<' */
            html_walker++;
        }
    } while (html_walker && *html_walker);
    return 0;
}