c++, html parsing

lynx -dump

Можно начать танцевать от сюда.

я не хочу вызывать внешние программы.

boost::asio

boost::urdl

libcurl

cpp-netlib

etc

нет. мне не нужно СКАЧАТЬ html файл, мне нужно из имеющегося html файла, выдрать весь текст, который видит пользователь

xpath

А если текст есть, но пользователь его не видит, не выдирать?

это XML, мне надо html

html — частный случай xml.

нет

xhtml.

напиши регулярку

особо не важно(можно выдирать, а можно и нет). всякие сложные случаи с ЖС тоже не нужны. просто получить текст

Если надо просто удалить теги, то либа не нужна, реализация примитивна. Если же нужно «форматировать», JS etc., то надо и полноценный движок. Вроде QtWebKit умеет вернуть plain text.

boost::asio

parsing

html регулярками? с тобой всё в порядке? ;)

Бери libxml, вытаскивай содержимое <body> и убирай оттуда все теги.

Такое кстати можно написать и без сторонних библиотек в десяток строк от силы.

особо не важно(можно выдирать, а можно и нет). всякие сложные случаи с ЖС тоже не нужны. просто получить текст

Ну так тебе подойдет простая регулярка для удаления тегов

google:\\regex strip html tags

Ну и еще предварительно <br> можно заменить на \n.

что насчет CDATA, object, script, пробелы и тд
думаешь легко реализовать?

Сам не использовал, но попадалось на глаза упоминание htmlcxx, можно с её помощью попробовать что-то сделать.

libxml2 умеет HTML, и ещё что-то умеет. Была похожая тема давно.

да

Всем спасибо. Попробую htmlcxx

o_O и в чем проблема? начинаем с <[^>]*> и раскручиваем...

https://stackoverflow.com/questions/1732348/regex-match-open-tags-except-xhtm...

Подскажите либу.

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

Плюсую gumbo-parser. Он делает именно то, что нужно ТС.

Лучший ответ треда.

Воощето есть еще более распальцованый вариант.
Можно засунуть страничку в вебкит, а потом выдрать все за 1 вызов с помощью XPath.
Но это уже тяжелая артиллерия. Если нет необходимости показывать пользователю результат, то слишком это все громоздко.

html
напиши регулярку

http://stackoverflow.com/a/1732454/5268334

выдрать текст спромеж тегов != распарсить