c++正则匹配HTML标签input实例，c++实例
文件demo.html
|
0 1 2 3 4 5 6 7 8 9 10 11 12 |
...... <!--这里设置一个重复的 id ,并且有一对单引号--> <input type="hidden" value="hk" id='888' id='languageId' /> <input type="hidden" value=" " id="topNavPreviewId" /> <form action="transfers.htm" autocomplete="off" method="get" id="searchForm"> <input class="gnav-bar-search-input" name="keyword" id="keyword" placeholder="搜索" autocomplete="off" autocorrect="off" required=""> <button type="button" class="gnav-bar-search-clear fa fa-times"></button> </form> <input type="hidden" id="productName" value="Air Jordan XXXV CNY PF"> <input type="hidden" id="productLabel" value="男子籃球鞋"> ...... |
文件 t_html.cpp
|
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 |
/** * 通过正则表达式提取指定标签 * @Author: mrdede <1234567@qq.com> * @Blog: http://mrdede.com/ * @Time: 2021/1/31 21:47 * * Copyright (c) 2021 织梦先生. All rights reserved. * * g++ t_html.cpp -o t_html.exe * */ // ┌─┬─┐ // ├ ┼ ┤ │ // └─┴─┘ #include <iostream> #include <cstring> #include <ctime> #include <fstream> #include <regex> //#include <algorithm> // 算法 void title(std::string title) { std::cout << "\n\n\n"; int total = 0; int tmp; for (std::string::iterator it = title.begin(); it < title.end(); it++) { tmp = it.operator*(); if (tmp < 0) { total += 2; // UTF8编码的汉字是3字节，所以这里+2，下一循环则迭代下一个字符 it += 2; } else { total += 1; } } std::cout << std::endl; std::string _out; for (int i = 0; i < total; i++) { _out += "─"; } std::cout << " ┌─" << _out << "─┐" << std::endl; std::cout << "----------│ " << title << " │" << std::endl; std::cout << " └─" << _out << "─┘" << std::endl; } /** * 获取文件内容字符串 * @param file_content */ void getFileContent(std::string &file_content) { FILE *fp; long int l_size; char *sz_buf; fp = fopen("demo.html", "r"); if (fp) { // fseek() : 用来移动文件流的读写位置 fseek(fp, 0, SEEK_END); // 读取位置移动到文件结尾 // long int ftell(FILE *stream) l_size = ftell(fp); // 返回给定流 stream 的当前文件位置 fseek(fp, 0, SEEK_SET); // 读取位置再移动到文件开头 sz_buf = new char[l_size + 1]; fread(sz_buf, 1, l_size, fp); // 从给定流 stream 读取数据到 sz_buf 所指向的数组中 fclose(fp); // 关闭文件 sz_buf[l_size] = 0; // TODO 这是什么意思，不明白 // 读取文件内容保存到string file_content = sz_buf; delete sz_buf; // 释放 new 分配的单个对象指针指向的内存 } } // 保存匹配到的 input 的结构体 struct struct_input { std::string src; // 匹配到的input源码 std::map<std::string, std::string> attribute; // 属性 }; /** * 匹配并保存字符串 * @param inputs 保存匹配到的 input 字符串的集合 * @param file_content 文本内容，字符串 */ void getTagInputs(std::vector<std::string> &inputs, std::string &file_content) { // 提取 std::smatch mat_input; std::smatch mat_attribute; std::string attribute_name; std::string attribute_val; std::regex reg_input("<input([^>]+)/?>"); // 属性值使用单引号和双引号都可以匹配 std::regex reg_input_attribute(" (\\w+)=\"([^\"]*)\"| (\\w+)=\'([^\']*)\'"); // 迭代器 std::string::const_iterator start = file_content.begin(); std::string::const_iterator end = file_content.end(); std::string::const_iterator start2; std::string::const_iterator end2; int index = 0; ///// while (regex_search(start, end, mat_input, reg_input)) { // mat_input[0] 匹配的整个字符串 // mat_input[1] 第一个括号匹配的字符串 std::cout << "-- mat_input[0]:\t" << mat_input[0] << std::endl; ///// std::string msg(mat_input[1].first, mat_input[1].second); start2 = msg.begin(); end2 = msg.end(); int index2 = 0; ///// // 如果存在重复的属性名称，后一个值会覆盖前一个值的 while (regex_search(start2, end2, mat_attribute, reg_input_attribute)) { attribute_name = mat_attribute[1]; // 双引用匹配 // 如果双引用匹配不到，则使用单引号匹配的值 if (attribute_name.empty()) { // 单引用匹配 attribute_name = mat_attribute[3]; attribute_val = mat_attribute[4]; } else { // 双引用匹配 attribute_val = mat_attribute[2]; } std::cout << index2 << "\tname:\t" << attribute_name << "\tval:\t" << attribute_val << std::endl; ///// start2 = mat_attribute[0].second; index2++; } inputs.push_back(msg); start = mat_input[0].second; index++; ///// if (index > 3) break; ///// 测试时只循环4次 } } /** * 匹配并保存input结构体 * @param inputs 保存匹配到的 input 结构体的集合 * @param file_content 文本内容，字符串 */ void getTagInputs2(std::vector<struct_input> &inputs, std::string &file_content) { // 提取 struct_input temp_su_input; std::smatch mat_input; std::smatch mat_attribute; std::string attribute_name; std::string attribute_val; std::regex reg_input("<input([^>]+)/?>"); // 属性值使用单引号和双引号都可以匹配 std::regex reg_input_attribute(" (\\w+)=\"([^\"]*)\"| (\\w+)=\'([^\']*)\'"); // 迭代器 std::string::const_iterator start = file_content.begin(); std::string::const_iterator end = file_content.end(); std::string::const_iterator start2; std::string::const_iterator end2; int index = 0; ///// while (regex_search(start, end, mat_input, reg_input)) { // mat_input[0] 匹配的整个字符串 // mat_input[1] 第一个括号匹配的字符串 std::cout << "-- mat_input[0]:\t" << mat_input[0] << std::endl; ///// std::string msg(mat_input[1].first, mat_input[1].second); start2 = msg.begin(); end2 = msg.end(); std::map<std::string, std::string> attribute; // 保存属性名值对 int index2 = 0; ///// // 如果存在重复的属性名称，后一个值会覆盖前一个值的 while (regex_search(start2, end2, mat_attribute, reg_input_attribute)) { attribute_name = mat_attribute[1]; // 双引用匹配 // 如果双引用匹配不到，则使用单引号匹配的值 if (attribute_name.empty()) { // 单引用匹配 attribute_name = mat_attribute[3]; attribute_val = mat_attribute[4]; } else { // 双引用匹配 attribute_val = mat_attribute[2]; } attribute[attribute_name] = attribute_val; std::cout << index2 << "\tname:\t" << attribute_name << "\tval:\t" << attribute_val << std::endl; ///// start2 = mat_attribute[0].second; index2++; } temp_su_input.src = mat_input[0]; temp_su_input.attribute = attribute; inputs.push_back(temp_su_input); start = mat_input[0].second; // 调整迭代器起始位置 index++; ///// if (index > 3) break; ///// } } // 正则提取HTML中的input标签元素 int test01(std::string param) { /** * 输出： vector<string> length: 67 -- 提取工作用时：63 ms -- 用时：78 ms * */ title("正则提取HTML中的input标签元素"); std::string file_str; getFileContent(file_str); // 获取文件内容 if (!file_str.empty()) { std::vector<std::string> inputs; clock_t start_time = clock(); // 计时开始 getTagInputs(inputs, file_str); // 获取 input 标签 std::cout << "vector<string> length:\t" << inputs.size() << std::endl; clock_t end_time = clock(); // 计时结束 std::cout << "-- 提取工作用时：" << end_time - start_time << " ms" << std::endl; } /*FILE *fp; long int l_size; char *sz_buf; fp = fopen("demo.html", "r"); if (fp) { // fseek() : 用来移动文件流的读写位置 fseek(fp, 0, SEEK_END); // 读取位置移动到文件结尾 // long int ftell(FILE *stream) l_size = ftell(fp); // 返回给定流 stream 的当前文件位置 fseek(fp, 0, SEEK_SET); // 读取位置再移动到文件开头 sz_buf = new char[l_size + 1]; fread(sz_buf, 1, l_size, fp); // 从给定流 stream 读取数据到 sz_buf 所指向的数组中 fclose(fp); // 关闭文件 sz_buf[l_size] = 0; // TODO 这是什么意思，不明白 // 读取文件内容保存到string file_str = sz_buf; delete sz_buf; // 释放 new 分配的单个对象指针指向的内存 clock_t start_time = clock(); // 计时开始 // 提取 std::vector<std::string> inputs; std::smatch mat; std::regex _input("<input([^>]+)/?>"); // 迭代器 std::string::const_iterator start = file_str.begin(); std::string::const_iterator end = file_str.end(); while (regex_search(start, end, mat, _input)) { std::string msg(mat[1].first, mat[1].second); inputs.push_back(msg); start = mat[0].second; } std::cout << "vector<string> length:\t" << inputs.size() << std::endl; clock_t end_time = clock(); // 计时结束 std::cout << "-- 提取工作用时：" << end_time - start_time << " ms" << std::endl; }*/ return 0; } // 正则提取HTML中的input标签元素，并压入容器 int test02(std::string param) { title("正则提取HTML中的input标签元素，并压入容器"); std::string file_str; getFileContent(file_str); // 获取文件内容 if (!file_str.empty()) { std::vector<struct_input> inputs; clock_t start_time = clock(); // 计时开始 getTagInputs2(inputs, file_str); // 获取 input 标签 std::cout << "vector<string> length:\t" << inputs.size() << std::endl; clock_t end_time = clock(); // 计时结束 std::cout << "-- 提取工作用时：" << end_time - start_time << " ms" << std::endl; // 验证获取的结构体是否正确 std::cout << "\n-- 验证提取结果：" << std::endl; for (auto &it : inputs) { std::cout << "-- it.src:\t" << it.src << std::endl; ///// for (auto &it2 : it.attribute) { std::cout << "name:\t" << it2.first << "\tval:\t" << it2.second << std::endl; ///// } } } return 0; } int main(int argc, char *argv[]) { std::cout << "-- argc:\t\t" << argc << std::endl; for (int i = 0; i < argc; i++) { std::cout << "-- argv[" << i << "]:\t" << argv[i] << std::endl; } std::cout << "" << std::endl; clock_t start_time = clock(); // 计时开始 int av1 = argc > 1 ? atoi(argv[1]) : 0; std::string av2 = argc > 2 ? argv[2] : ""; switch (av1) { case 1: test01(av2); break; case 2: test02(av2); break; default: test01(av2); test02(av2); break; } clock_t end_time = clock(); // 计时结束 std::cout << "-- 全局用时：" << end_time - start_time << " ms" << std::endl; return 0; } |