с++ парсер HTML

ну гугл же епть... Все это есть, и именно в таком виде как ты хочешь.

В Qt есть QWebElement из QtWebKit. И QtXml.

Причем в QtXml ещё и два варианта парсера.

QWebkit :-)

Goganchic

если есть какой-то класс из Qt который реализует желаемое - будет совсем круто

QWebElement

Kosyak

Причем в QtXml ещё и два варианта парсера.

Разве оно умеет парсить HTML, который не является корректным XML документом?

Наверное, нет.

libtidy?

Разве оно умеет парсить HTML, который не является корректным XML документом?

XMLReader, использующий LibXML, пишется за полчаса. После чего невалидный HTML больше не проблема.

А вот что лучше - создавать свой велосипед, который тянет за собой libxml или воспользоваться готовым парсером из QtWebkit - это еще большой вопрос.

Интересно, что более ресурсоёмко.

http://www.netsurf-browser.org/

там слева список библиотек

Если критерий ресурсоемкости исключительно память, то думаю решение с libxml2 имеет преимущества, т.к. libQtWebKit весит около 27 Мб, в то время, как libQtXml + libxml2 вместе меньше 2 Мб. Только вот если программе требуется еще и рендерить HTML, то тут вебкит конечно чуть ли не единственный вариант.

Если критерий ресурсоемкости исключительно память, то думаю решение с libxml2 имеет преимущества, т.к. libQtWebKit весит около 27 Мб, в то время, как libQtXml + libxml2 вместе меньше 2 Мб.

Размер бинарника не имеет ничего общего с потреблением памяти.

имеет
меньше размера бинарника потребление не будет, в общем случае

Размер бинарника не имеет ничего общего с потреблением памяти.

Бинарник внутри может содержать секции кода и данных, которые загружаются в память, а следовательно ее потребляют. Конечно там присутствует и служебная информация, но ее количественное отношение ко всему остальному пренебрежимо мало.

TagSoup, конечно. http://mercury.ccil.org/~cowan/XML/tagsoup/#taggle порт на с++.

Хотя это не совсем то, что нужно. Dom можно строить вебкитом.

Из библиотеки в память загружаются только используемые страницы (в случае, если ты с помощью QtWebKit только парсишь хтмл, это будет весьма небольшая часть), а на общий расход влияет не только и не столько размер рагруженных частей бинарника, сколько выделение памяти в куче.

меньше размера бинарника потребление не будет, в общем случае

ты считаешь расход памяти по vmsize, что ли?

Из библиотеки в память загружаются только используемые страницы

Еще раз - сначала библиотека загружается ELF-загрузчиком в память, а уже только потом начинает выполняться код, который может выделять память в куче и т.п.

не загружается, а мапится. man mmap

все страницы, к которым идёт интенсивный доступ будут в раме
иначе тормоза
как думаете много ли в такой либе «лишнего» кода, который можно сбросить в своп при её работе
по моим наблюдениям, при линковке с той же glibc, даже при вызове единственной ф-и, навроде memcmp, которая точно не зависит ни от чего в либе
rss процесса составляет немного менее размера /lib64/libc-2.14.1.so
хотя тот же бинарь, слинкованый без libc занимает 4k rss

как объясните?