html - 解析网页而不断字符串

Question

我正在尝试从网页中解析一些字符串，但我不断收到恰好被分解的字符串，无法检查字符串是否完整。目前，我有一个 1024 字节的缓冲区，用于接收部分页面。我应该怎么做才能确保获得完整的字符串，最好没有太大的缓冲区。

Answer 1

我不太确定我理解你在做什么以及你所说的“断线”是什么意思，但我会尽力给你一个答案。

通过断字符串，我假设您指的是一段 HTML 或文本的逻辑结尾。最终，你除了解析之外别无选择，如果你没有达到某个逻辑停止点，请继续阅读。如果您使用 char[] 来保存数据，那么缓冲区肯定会遇到一些问题。根据你读入数据的方式，方法可能会改变，但过程大致是:

(有点C，技术上不准确)

int allocLen = 1024;
char buffer[] = malloc(allocLen);
readInNBytes(buffer, 128);
if (notAtLogicalEnd(buffer))
     realloc(buffer, allocLen *= 2);
else
     // we're done?

现在，显然这遗漏了确定字符串是否断线的细节，但这仍然悬而未决。有多种方法可以检查数据是否有效:查找空格字符、换行符等，或者检查 HTML 是否以 [/html] 标记终止。无论哪种方式，您都必须读取整个数据集。

不过，我很想知道您如何阅读 HTML 数据以及您对“断字符串”的完整解释，并且我会修改我的答案。