ekhtml使用总结

ekhtml是一个高效SAX方式的HTML解析库。

文件说明

官网下载ekhtml-0.3.2.tar.gz文件解压后，内部包括源码、测试文件、文档、编译脚本等。

如需编译成静态库或动态库后进行集成，可以参考INSTALL文件，使用./configure && make命令编译，编译后的库文件生成与src/.libs/中。直接使用库文件，还需要引用include/ekhtml.h文件。

如需进行源码集成，可以复制src与include两个文件夹中的文件。

其中ekhtml.h是整个库对外的API，本文档也是基于ekhtml.h进行介绍。

基本类型

typedef struct ekhtml_string_t {
    const char *str;    /**< Actual string data          */
    size_t      len;    /**< Length of the data in `str` */
} ekhtml_string_t;

核心的字符串类型，与nginx的字符串类似采用非NULL结尾的类型定义。

typedef struct ekhtml_attr_t {
    ekhtml_string_t       name;       /**< Name of the attribute             */
    ekhtml_string_t       val;        /**< Value of the attribute            */
    unsigned int          isBoolean;  /**< True of the attribute is boolean  */
    struct ekhtml_attr_t *next;       /**< Pointer to next attribute in the list  */
} ekhtml_attr_t;

属性列表，用于存放标签属性和内容的

typedef struct ekhtml_parser_t ekhtml_parser_t;

解析器对象，可以认为是ekhtml运转的关键。

基本使用方法

1. 新建parser对象
2. 给parser配置回调函数（例如script标签回调函数、img标签回调函数）
3. 将HTML文本输入给parser，parser会根据解析情况调用步骤2注册的回调函数。
4. 释放parser对象

parser新建与释放

extern ekhtml_parser_t *ekhtml_parser_new(void *cbdata);
extern void ekhtml_parser_destroy(ekhtml_parser_t *parser);

其中void *cbdata将来会传递给回调函数，用于事先具体业务，一般可以使用一个自定义结构体，保存上下文信息，用于将几个回调函数关联起来。关于void *cbdata还有一个动态修改的接口：

extern void ekhtml_parser_cbdata_set(ekhtml_parser_t *parser, void *cbdata);

回调函数类型与注册

支持的回调函数类型有下三种：

typedef void (*ekhtml_data_cb_t)(void *cbdata, ekhtml_string_t *data);
typedef void (*ekhtml_starttag_cb_t)(void *cbdata, ekhtml_string_t *tag, ekhtml_attr_t *attrs);
typedef void (*ekhtml_endtag_cb_t)(void *cbdata, ekhtml_string_t *tag);

以数据<FOO bar="baz">data_to_process</FOO>解析举例：

• ekhtml_data_cb_t 用于处理文本内容，解析到data_to_process时会调用ekhtml_data_cb_t类型的函数，data参数就是data_to_process。
• ekhtml_starttag_cb_t用于处理起始标签，解析到<FOO bar="baz">时会调用ekhtml_starttag_cb_t类型的函数，tag参数为FOO ，attrs为属性信息bar="baz"，数据结构参考上文的ekhtml_attr_t。
• ekhtml_endtag_cb_t用于处理结尾标签，解析到</FOO>时会调用ekhtml_endtag_cb_t类型的函数，tag参数为FOO
• 三种回调函数类型的cbdata参数，在上文已经说明。

【注意】单闭合标签例如<link rel="stylesheet" />，只会调用starttag不会调用endtag。

函数注册接口有4个：

extern void ekhtml_parser_datacb_set(ekhtml_parser_t *parser, ekhtml_data_cb_t cb);
extern void ekhtml_parser_commentcb_set(ekhtml_parser_t *parser, ekhtml_data_cb_t cb);
extern void ekhtml_parser_startcb_add(ekhtml_parser_t *parser, const char *tag, ekhtml_starttag_cb_t cb);
extern void ekhtml_parser_endcb_add(ekhtml_parser_t *parser, const char *tag, ekhtml_endtag_cb_t cb);

ekhtml_parser_startcb_add与ekhtml_parser_endcb_add没有特别需要解释的。ekhtml_parser_datacb_set和ekhtml_parser_commentcb_set都是注册ekhtml_data_cb_t类型的回调函数，但ekhtml_parser_commentcb_set只用于处理注释信息。

【注意】ekhtml_parser_datacb_set是一个扩展性极强的函数，包括非标准标签，标签间的回车换行空格都会调用ekhtml_parser_datacb_set配置的回调函数，具体可以运行下文的demo感受一下。

HTML文本输入

涉及到2个接口

extern void ekhtml_parser_feed(ekhtml_parser_t *parser, ekhtml_string_t *data);
extern int ekhtml_parser_flush(ekhtml_parser_t *parser, int flushall);

• ekhtml_parser_feed接口允许将数据分多次输入，即使多少次输入的数据在关键位置出现分段。第一次调用输入<FO第二次调用输入0></FOO>，也是可以实现正确解析的。
• ekhtml_parser_flush此接口与内部实现机制相关，用于立刻刷新内部缓存。ekhtml存在一块内部BUF，feed接口的入参会复制到内部BUF，多次调用feed接口后，内部BUF满之后，ekhtml调用ekhtml_parser_flush进行数据解析。可以手动调用flush立刻进行解析，为了减少解析次数，提升整体性能，建议不需要手动调用flush。
• flushall参数一般配置为0即可，配置为1会强制刷新未解析完成的内容，上文提到的标签文本被分离的场景将失效。

DEMO代码

#include <stdio.h>
#include <string.h>
#include "ekhtml.h"

#define PRINT_BUFF_SIZE (1024)
static char g_print_buff[PRINT_BUFF_SIZE];

static void print_ekhtml_string(ekhtml_string_t *data) {
    if (data == NULL) {
        printf("data == NULL\n");
        return;
    }
    if (data->len >= PRINT_BUFF_SIZE) {
        printf("data->len >= PRINT_BUFF_SIZE\n");
        return;
    }

    strncpy(g_print_buff, data->str, data->len);
    g_print_buff[data->len] = '\0';
    printf("%s\n", g_print_buff);

    return;
}

static void simple_data_callback(void *cbdata, ekhtml_string_t *data) {
    printf("enter simple_data_callback\n");
    printf("data = ");
    print_ekhtml_string(data);

    return;
}

static void start_tag_callback(void *cbdata, ekhtml_string_t *tag, ekhtml_attr_t *attrs) {
    ekhtml_attr_t *attr;

    printf("enter start_tag_callback\n");
    printf("tag = ");
    print_ekhtml_string(tag);

    attr = attrs;
    while(attr != NULL) {
        printf("attr->name = ");
        print_ekhtml_string(&attr->name);
        printf("attr->val = ");
        print_ekhtml_string(&attr->val);
        printf("attr->isBoolean = %u\n", attr->isBoolean);

        attr = attr->next;
    }

    return;
}

static void end_tag_callback(void *cbdata, ekhtml_string_t *tag) {
    printf("enter end_tag_callback\n");
    printf("tag = ");
    print_ekhtml_string(tag);

    return;
}

int main(int argc, char *argv[]) {
    FILE *file;
    char file_buf[1024];
    size_t nread;

    ekhtml_parser_t *parser;
    ekhtml_string_t html_str;

    parser = ekhtml_parser_new(NULL);
    if (parser == NULL) {
        printf("ekhtml_parser_new fail\n");
        return -1;
    }

    ekhtml_parser_datacb_set(parser, simple_data_callback);
    ekhtml_parser_commentcb_set(parser, simple_data_callback);
    ekhtml_parser_startcb_add(parser, "script", start_tag_callback);
    ekhtml_parser_endcb_add(parser, "script", end_tag_callback);

    if ((file = fopen("data.html", "r")) == NULL) {
        printf("open data.html fail\n");
        return -1;
    }
    while ((nread = fread(file_buf, 1, sizeof(file_buf), file)) > 0) {
        html_str.str = file_buf;
        html_str.len = nread;
        ekhtml_parser_feed(parser, &html_str);
        ekhtml_parser_flush(parser, 0);
    }
    fclose(file);

    ekhtml_parser_destroy(parser);
    return 0;
}

编译脚本：

gcc -g -o demo demo.c libekhtml.a