軽量なHTMLパースライブラリにhtmlcxxというものがあるのだが、
どうもパースしたdomをテキストにシリアライズする機能が見つからないので、
(見つからないだけで、実際はあるのかも知れないけど)
簡単に作ってみた。
#include <iostream>
#include <htmlcxx/html/ParserDom.h>
using namespace std;
using namespace htmlcxx;
namespace htmlcxx {
namespace HTML {
bool unparseDom(tree<Node>::iterator itrbegin,
tree<Node>::iterator itrend,
std::string &strbuff,
bool bUnparseEnd = false){
if(bUnparseEnd) itrend.skip_children(), itrend++;
tree<Node>::iterator itr = itrbegin;
for(;itr != itrend; itr++){
if(itr->isTag()){
strbuff += itr->text();
std::string strendtag(itr->closingText());
if(itr.number_of_children() > 0)
unparseDom(itr.node->first_child
, itr.node->last_child, strbuff, true);
strbuff += strendtag;
// forのインクリメントで子ノードを飛ばす
itr.skip_children();
}else{
strbuff += itr->text();
}
}
return true;
}
}
}
int main(){
string html = "<html><body><b>hey</b><br />\n"
"<!--comment--></body></html>";
HTML::ParserDom parser;
tree<HTML::Node> dom = parser.parseTree(html);
tree<HTML::Node>::iterator itr = dom.begin();
HTML::Node n; n.isTag(true);
n.tagName("font");
n.text("<font color=\"#ff0000\">");
n.closingText("</font>");
// bタグの前にfontタグを作り、bタグをその下に移動
tree<HTML::Node>::iterator itr2 = dom.insert(itr += 3, n);
dom.append_child(itr2, itr); dom.erase(itr);
cout << dom << endl;
std::string str;
HTML::unparseDom(dom.begin(), dom.end(), str);
cout << str << endl;
return 0;
}
出力結果
XMLを主に使うパーサはいろいろあるけれど、
HTMLを中心にパースしてくれる軽いライブラリがなかなかないので、
重宝したりしなかったり。