html - 如何使用 C 将 HTML 解析为 .txt 格式

Question

我需要使用 C 将 HTML 解析为 .txt 格式。

一个例子 - 它必须检测每个

1. <p>
2. <tr>
3. <ul> etc...

并将它们转换为文本(在文档中)

有人可以帮忙吗？

Answer 1

我认为，下载html的最简单方法网页c就是使用libcurl 。假设您已经设置了开发环境，请按照以下步骤操作:

1. 访问 download page libcurl并下载其最新版本。
2. 看看 install page 并了解如何安装该库。对于 Linux，安装非常简单，只需输入 ./configure && make && make install在终端中。
3. 下载url2file.c libcurl 的示例。 <curl/curl.h>该文件中公开的头文件本质上提供了必要的功能来让您与 Web 服务器进行通信。
4. 接下来，编译 url2file.c使用gcc -o url2file url2file.c -lcurl .
5. 最后，测试url2file使用./url2file http://example.com 。结果将存储在page.out中明文文件。

注释:

1. 您需要安装libcurl为了能够编译url2file.c文件，除非它会抛出 fatal error .
2. 如果您已经安装了curl程序在您的计算机上，您可以使用 curl http://example.com > page.out 下载网页终端中的命令。
3. 此外，wget允许您下载和存储网页:wget http://example.com .
4. 此答案将网页存储为纯文本。它不执行任何特定的html标签处理。