HTML解析库Gumbo简单使用记录

Gumbo简介
使用记录
- 1、GumboNode的类型
- 2、简单的使用
  - 1、用于方便一点的查找子节点的
  - 2、用于方便的查找文本子节点的

Gumbo简介

Gumbo是谷歌开源的一个纯C编写的HTML解析库，性能很好，就是用起来比较麻烦。

github地址https://github.com/google/gumbo-parser

还有一个C++封装的版本https://github.com/lazytiger/gumbo-query.git

关于HTML的参考，可见https://developer.mozilla.org/zh-CN/docs/Web/HTML

最近准备写一个爬虫，用于爬取epsg.io上的数据，所以找了这个库用于HTML的解析。其实我这个简单的爬取固定位置的内容，用这个实在是有点杀鸡用牛刀了，直接做字符串搜索会更方便。

使用记录

关于这个的使用，网上找不到太多的资料。

这里有一个https://blog.csdn.net/fjb2080/article/details/78992851

这个图片上实际已经把相关的关系描述清楚了，我这里只做简单的补充。

1、GumboNode的类型

对于一个GumboNode结构体对象，需要通过它的GumboNodeType type字段判断其类型后，可根据类型对成员v进行操作。

v是一个union对象，它可以是GumboDocument、GumboElement、GumboText三种类型之一。

1、GUMBO_NODE_DOCUMENT 文档节点

文档节点表示的是一个完整的html文档，就是从<html>到</html>之间的全部信息。对于v可取GumboDocument类型的成员document。

对于文档节点，其内部包含的元素节点都在GumboVector children中。

2、GUMBO_NODE_ELEMENT 元素节点

只要是含有标签tag的部分，都是元素节点。这个可以简单的理解为，只要是<标签名>到</标签名>之间的就是一个元素节点的内容(有的元素是单标签的)，元素节点可以有包含嵌套关系，子节点都在GumboVector children中。

/**

 * 用于表示所有HTML元素的结构。 它包含有关标记，属性和子节点的信息。

 */

typedef struct {

  /**

   * GumboNodes数组，包含此元素的子元素。 保存的是GumboNode的指针。

   */

  GumboVector /* GumboNode* */ children;

  /** 这个元素的GumboTag(标签，HTML的标签是定义好的)枚举值 */

  GumboTag tag;

  /**  此元素的GumboNamespaceEnum值(表示这个是HTML、SVG还是MATHML)*/

  GumboNamespaceEnum tag_namespace;

  /**

   * 指向此元素的原始标记文本的GumboStringPiece，直接指向源缓冲区。

   * 如果标记是通过算法插入的（例如，<head>或<tbody>插入），则这将是一个零长度字符串。

   */

  GumboStringPiece original_tag;

  /**

   * 指向此元素的原始结束标记文本的GumboStringPiece。

   * 如果以算法方式插入结束标记（例如，关闭自闭标记），则这将是一个零长度字符串。

   */

  GumboStringPiece original_end_tag;

  /** 记录元素开始标签在来源字符串中的起始位置。 */

  GumboSourcePosition start_pos;

  /** 记录元素结束标签在来源字符串中的起始位置。  */

  GumboSourcePosition end_pos;

  /**

   * GumboAttributes数组，按照解析顺序包含此元素标签的属性

   * 数组保存的是GumboAttribute的指针

   */

  GumboVector /* GumboAttribute* */ attributes;

} GumboElement;

3、GUMBO_NODE_TEXT 文本节点

文本节点，对于v可取GumboText类型的成员text。

Gumbo在解析的时候，对于\r\n这种都会解析为一个独立的文件节点。

4、GUMBO_NODE_CDATA

CDATA节点是一个比较特殊的节点，这个节点用于传输需要浏览器不做解析，原封不动的当做文本的内容。所以对于v也是取GumboText类型的成员text。

5、GUMBO_NODE_COMMENT

注释节点，这个用于保存html中的注释，对于这个节点，对于v也是取GumboText类型的成员text。取出来的GumboText对象中的text成员不包含注释分隔符。

6、GUMBO_NODE_WHITESPACE

这是一个文本节点的特例，文本的内容都是空白字符(空格、TAB、回车)。v也是取GumboText。

7、GUMBO_NODE_TEMPLATE

模板节点。就是标签<template>包含的部分。

这与GUMBO_NODE_ELEMENT是分开的，因为许多客户端库都希望忽略模板节点的内容，如规范所示。在GUMBO_NODE_ELEMENT上递归会在这里做正确的事情，而想要包含模板内容的客户端也应该检查GUMBO_NODE_TEMPLATE。 v将是一个GumboElement。

2、简单的使用

为了方便使用，我简单的封装了两个函数，对于我的使用已经足够了。如果需要更方便的使用，可以考虑https://github.com/lazytiger/gumbo-query.git

1、用于方便一点的查找子节点的

std::vector<GumboNode*> find_sub_node(const GumboNode* parentNode,

	GumboNodeType type, GumboTag tag, int attrCount, ...)

{

	std::vector<GumboNode*> subNode;

	const GumboVector* vec = &(parentNode->v.element.children);

	for (int i = 0; i < vec->length; ++i) {

		GumboNode* node = (GumboNode*)vec->data[i];

		if (node->type != type || (type == GUMBO_NODE_ELEMENT && node->v.element.tag != tag)) {

			continue;

		}

		int pattend = 0;

		va_list vl;

		va_start(vl, attrCount);

		for (int ai = 0; ai < attrCount; ++ai) {

			const char* name = va_arg(vl, char*);

			const char* value = va_arg(vl, char*);

			GumboAttribute* attr = gumbo_get_attribute(&(node->v.element.attributes), name);

			if (attr == NULL || strcmp(value, attr->value) != 0) { continue; }

			pattend += 1;

		}

		va_end(vl);

		if (pattend == attrCount) {

			subNode.push_back(node);

		}

	}

	return subNode;

}

2、用于方便的查找文本子节点的

std::vector<std::string> find_sub_text(const GumboNode* parentNode)

{

	std::vector<std::string> subText;

	const GumboVector* vec = &(parentNode->v.element.children);

	for (int i = 0; i < vec->length; ++i) {

		GumboNode* node = (GumboNode*)vec->data[i];

		if (GUMBO_NODE_TEXT == node->type) {

			subText.push_back(node->v.text.text);

			continue;

		}

	}

	return subText;

}