HTML解析-第二版（C/C++）
背景：
基于某些不着边际想法，只为取得HTML页面上的所有“URL”和“文本”，其它的内容都不在关心之列。
问题：
对于“文本”搜索，如果搜索了除英文以外的语言还好说些，如果要搜索的内容是英文本，
那么就难以区分是“标记”还是“本文”了。对于“URL”的搜索，因为“标记”就是英文，
这样就绕回到“对于‘文本’搜索”。另外字母的大小写，被转义的字符，引号，尖括号，都得处理。
例如：
csdn
想要搜索“csdn”这个字符串，直接以字符串遍历的法能搜索到3个，其实呢只希望搜索到1个。
例如：
论坛
论 坛
论 坛
想要搜索“论坛”这个字符串，按语义上讲，希望在搜索时能搜到3个。
但直接以字符串遍历的法能搜到1个，原因在于加了“空格”后的字符串，
计算机不知道对于人来讲意思并没有变。
总结：
1:直接搜索特定字符串,不多了就是少了。
2:尝试过MS的COM库，功能强大且齐全，但耗费的资源也相当多。
3:耳熟能详的搜索引擎也跑过几个回合，因没有耐心翻遍所有网页只好放弃。
结论：
只能把HTML页面完整的解析完毕才能达找到想到的东西，尽管不是全部，但情况要好很多。
方法：
HTML语句结构是：aaaa 或
等等一连串类似的语句组成，并且只有嵌套没有循环（脚本只能算上面提到的“文本”）。
分界符（这个词本人自己的称呼）使用的是“ <>""''=空格 ”，把两个分界符之间的内容看作一个链表节点，
“标记”a与“标记”/a是“父”节点与“子”节点的关系，“标记”a与“标记”href是“兄弟”节点的关系。
这样的好处是不用关心“标记”含义，就可以把整个页面解析成一个二维链表。
纵向可以遍历“标记”和“文本”，横向可以找到“文本”对应用“URL”。
当然实际情况要复杂的多，种种异常情况都要考虑。如：转意字符，脚本中的括号对称验证等等，
最糟糕是碰到错误的语法，或者根本就不是HTML页面（这个就不属性本文说明范围了）。
//以上内容于 2011-12-17 18:01 添加/1：较“HTML解析-第一版(C/C++)” 减少了内存拷贝，速度相对提高很多。
2：代码在VS2008下测试通过。#define _UNICODE #define _WIN32_WINNT 0x0600
3：解析方法：类似于构建一个map表（STL模板库里的map不利于阅读，可以参考MFC类库的CMap），最终组成一个二维的单向链表。
4：CHtmlObject 类负责解析HTML“标记”和“属性”。
//CHtmlObject.h//
#pragma once
/*****************************************************************************************************************
created: 2011/12/03
author: hmm7e ([email protected])
*****************************************************************************************************************/
class CHtmlObject
{
public:
//
static BOOL IsSpace(TCHAR tcLetter);
protected:
struct tagNode
{
LPCTSTR s_pszKey;
LPCTSTR s_pszValue;
struct tagNode * s_pstRight; //attribute of tag
struct tagNode * s_pstNext; //next tag
};
public:
CHtmlObject(void);
virtual ~CHtmlObject(void);
//
enum {CHARSET_UTF8,CHARSET_UNICODE,CHARSET_MULTIBYTE}TextCharset;
protected:
//
tagNode * InnerAllocNode();
void InnerFreeNode(tagNode * lpstNode);
void InnerLinkNextNode(tagNode * lpstNode);
void InnerLinkRightNode(tagNode * lpstTagNode,tagNode * lpstNode);
void InnerCleanupNode();
void InnerCleanupRightNode(tagNode * lpstNode);
public:
//
void AutoTakeSnapshot(PBYTE lpszString,UINT nStringLen);
void TakeSnapshot(PBYTE lpszString,UINT nStringLen,UINT nFromCharset );
void DeleteSnapshot();
//
void Parse();
private:
//
void InnerParse();
LPTSTR InnerSplitComment(tagNode * lpstNode,LPTSTR lpszTagString);
LPTSTR InnerSplitTag(tagNode * lpstNode,LPTSTR lpszTagString);
LPTSTR InnerSplitContent(tagNode * lpstNode,LPTSTR lpszTagString);
LPTSTR InnerSplitText(tagNode * lpstNode,LPTSTR lpszTagString);
LPTSTR InnerSplitScript(tagNode * lpstNode,LPTSTR lpszTagString);
LPTSTR InnerSplitStyle(tagNode * lpstNode,LPTSTR lpszTagString);
protected:
//
LPTSTR m_pszSnapshotBuffer;
UINT m_nSnapshotBufferLen;
UINT m_nSnapshotStringLen;
//
tagNode * m_pstHead;
tagNode * m_pstTail;
};
//CHtmlObject.h////CHtmlObject.cpp//
#pragma once
/*****************************************************************************************************************
created: 2011/12/03
author: hmm7e ([email protected])
*****************************************************************************************************************/
#include "HtmlObject.h"
//
BOOL CHtmlObject::IsSpace(TCHAR tcLetter)
{
//以下字符在HTML标记里都算是空格。
return (tcLetter == _T(' ') || tcLetter == _T('\r') ||tcLetter == _T('\n') ||tcLetter == _T('\t') );
}
CHtmlObject::CHtmlObject(void)
{
m_pszSnapshotBuffer = NULL;
m_nSnapshotBufferLen = 0;
m_nSnapshotStringLen = 0;
m_pstHead = NULL;
m_pstTail = NULL;
}
CHtmlObject::~CHtmlObject(void)
{
DeleteSnapshot();
}
//
CHtmlObject::tagNode * CHtmlObject::InnerAllocNode()
{
CHtmlObject::tagNode * pstResult = new CHtmlObject::tagNode;
if( pstResult )
{
::ZeroMemory((LPVOID)pstResult,sizeof(CHtmlObject::tagNode));
}
return pstResult;
}
void CHtmlObject::InnerFreeNode(CHtmlObject::tagNode * lpstNode)
{
if( lpstNode )
delete lpstNode;
}
void CHtmlObject::InnerLinkNextNode(tagNode * lpstNode)
{
//链接到“尾”结点。
//1：如果没有“头”节点，那么表示链表是“空”的。
//2：如果已经存“头”节点，那么就链接新节点到“尾”节点，并重新记录“尾”节点指针。
if( m_pstHead == NULL )
{
m_pstHead = lpstNode;
m_pstTail = lpstNode;
}
else
{
m_pstTail->s_pstNext = lpstNode;
m_pstTail = lpstNode;
}
#ifdef _DEBUG
if( lpstNode->s_pszKey )
{
::OutputDebugString(_T("--"));
::OutputDebugString(lpstNode->s_pszKey);
::OutputDebugString(_T("--\r\n"));
}
if( lpstNode->s_pszValue )
{
::OutputDebugString(_T("--"));
::OutputDebugString(lpstNode->s_pszValue);
::OutputDebugString(_T("--\r\n"));
}
#endif //_DEBUG
}
void CHtmlObject::InnerLinkRightNode(tagNode * lpstTagNode,tagNode * lpstNode)
{
//链接到“属性”的“头”节点。
//1：把现有的“属性”链表，链接到当前新节点的下。
//2：把当前节点做为“头”节点保存。
lpstNode->s_pstRight = lpstTagNode->s_pstRight;
lpstTagNode->s_pstRight = lpstNode;
#ifdef _DEBUG
if( lpstNode->s_pszKey )
{
::OutputDebugString(_T("-->"));
::OutputDebugString(lpstNode->s_pszKey);
::OutputDebugString(_T("<--\r\n"));
}
if( lpstNode->s_pszValue )
{
::OutputDebugString(_T("-->"));
::OutputDebugString(lpstNode->s_pszValue);
::OutputDebugString(_T("<--\r\n"));
}
#endif //_DEBUG
}
void CHtmlObject::InnerCleanupNode()
{
//循环清除所有节点。如果存在“属性”节点一并清除。
CHtmlObject::tagNode * pstPrev = NULL;
while( m_pstHead )
{
pstPrev = m_pstHead;
m_pstHead = m_pstHead->s_pstNext;
//first
InnerCleanupRightNode(pstPrev);
//second
InnerFreeNode(pstPrev);
}
m_pstHead = NULL;
m_pstTail = NULL;
}
void CHtmlObject::InnerCleanupRightNode(CHtmlObject::tagNode * lpstNode)
{
//循环清除所有“属性”节点。
CHtmlObject::tagNode * pstHead = lpstNode->s_pstRight;
CHtmlObject::tagNode * pstPrev = NULL;
while( pstHead )
{
pstPrev = pstHead;
pstHead = pstHead->s_pstRight;
InnerFreeNode(pstPrev);
}
pstHead = NULL;
pstPrev = NULL;
}
//
void CHtmlObject::AutoTakeSnapshot(PBYTE lpszString,UINT nStringLen)
{
if( lpszString && nStringLen > 0)
{
//根据数据头自动判断是否需要转换数据到当前应程所使用的编码。
if( nStringLen >= 2 )
{
if( lpszString[0] == 0xFF && lpszString[1] == 0xFE ) // skip 0xFF,0xFE
{
TakeSnapshot(lpszString+2,nStringLen-2,CHtmlObject::CHARSET_UNICODE);
}
else if( lpszString[0] == 0xEF && lpszString[1] == 0xBB && lpszString[2] == 0xBF )// skip 0xEF,0xBB,0xBF
{
TakeSnapshot(lpszString+3,nStringLen-3,CHtmlObject::CHARSET_UTF8);
}
else
{
TakeSnapshot(lpszString,nStringLen,CHtmlObject::CHARSET_MULTIBYTE);
}
}
else
{
TakeSnapshot(lpszString,nStringLen,CHtmlObject::CHARSET_MULTIBYTE);
}
}
}
void CHtmlObject::TakeSnapshot(PBYTE lpszString,UINT nStringLen,UINT nFromCharset )
{
//delete old snapshot
DeleteSnapshot();
if( lpszString && nStringLen > 0 )
{
//transform to TCHAR
if( CHtmlHelper::CHARSET_UTF8 == nFromCharset )
{
#ifdef _UNICODE
m_nSnapshotBufferLen = nStringLen;
m_pszSnapshotBuffer = new TCHAR[m_nSnapshotBufferLen];
::memset((LPVOID)m_pszSnapshotBuffer,0,m_nSnapshotBufferLen*sizeof(TCHAR));
m_nSnapshotStringLen = ::MultiByteToWideChar(CP_UTF8,0,(LPCSTR)lpszString,nStringLen,m_pszSnapshotBuffer,m_nSnapshotBufferLen);
#else
::OutputDebugString(_T("no support"));
#endif //_UNICODE
}
else if( CHtmlHelper::CHARSET_UNICODE == nFromCharset )
{
#ifdef _UNICODE
m_nSnapshotBufferLen = nStringLen;
m_pszSnapshotBuffer = new TCHAR[m_nSnapshotBufferLen];
::memset((LPVOID)m_pszSnapshotBuffer,0,m_nSnapshotBufferLen*sizeof(TCHAR));
::memcpy((LPVOID)m_pszSnapshotBuffer,lpszString,nStringLen);
#else
m_nSnapshotBufferLen = nStringLen/2+1;
m_pszSnapshotBuffer = new TCHAR[m_nSnapshotBufferLen];
::memset((LPVOID)m_pszSnapshotBuffer,0,m_nSnapshotBufferLen*sizeof(TCHAR));
m_nSnapshotStringLen = ::WideCharToMultiByte(CP_ACP,0,(LPWSTR)lpszString,nStringLen,(LPSTR)m_pszSnapshotBuffer,m_nSnapshotBufferLen,NULL,NULL);
#endif //_UNICODE
}
else
{
#ifdef _UNICODE
m_nSnapshotBufferLen = nStringLen;
m_pszSnapshotBuffer = new TCHAR[m_nSnapshotBufferLen];
::memset(m_pszSnapshotBuffer,0,m_nSnapshotBufferLen*sizeof(TCHAR));
m_nSnapshotStringLen = ::MultiByteToWideChar(CP_ACP,0,(LPCSTR)lpszString,nStringLen,m_pszSnapshotBuffer,m_nSnapshotBufferLen);
#else
m_nSnapshotBufferLen = nStringLen;
m_pszSnapshotBuffer = new TCHAR[m_nSnapshotBufferLen];
::memset((LPVOID)m_pszSnapshotBuffer,0,m_nSnapshotBufferLen*sizeof(TCHAR));
::memcpy((LPVOID)m_pszSnapshotBuffer,lpszString,nStringLen);
#endif //_UNICODE
}
}
}
void CHtmlObject::DeleteSnapshot()
{
//先清除树型表。
InnerCleanupNode();
if( m_pszSnapshotBuffer )
delete []m_pszSnapshotBuffer;
m_pszSnapshotBuffer = NULL;
m_nSnapshotBufferLen = 0;
m_nSnapshotStringLen = 0;
}
//
void CHtmlObject::Parse()
{
#ifdef _AFX
CString strTrace;
strTrace.Format(_T("CHtmlObject::Parse() --begin-->(%d)\r\n"),::GetTickCount());
::OutputDebugString(strTrace);
#endif //_AFX
InnerParse();
#ifdef _AFX
strTrace.Format(_T("CHtmlObject::Parse() --end-->(%d)\r\n"),::GetTickCount());
::OutputDebugString(strTrace);
#endif //_AFX
}
//
void CHtmlObject::InnerParse()
{
LPTSTR pszFind = m_pszSnapshotBuffer;
//跳过所有“空格”
while( *pszFind != _T('\0') && CHtmlObject::IsSpace(*pszFind) )
{
//下一个字符
pszFind++;
}
//直到碰到'\0'就退出
do
{
// 不是“\0”，并且第一个字符为“<”则置换为“\0”，否则什么也不做。
//这么写的原因就在于InnerSplitContent()返回后 “<”可能已经被置换成“\0”。
if( *pszFind != _T('\0') && *pszFind == _T('<') )
{
//把“<”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//下一个字符。
pszFind++;
}
// 不是“\0”
if( *pszFind != _T('\0') )
{
//是否为注释
if( *pszFind == _T('!') )
{
//申请一个点节。
tagNode *pstNode = InnerAllocNode();
//解析注释，返回的是注释后面的内容。
pszFind = InnerSplitComment(pstNode,pszFind);
//链接到“链表”。（下）
InnerLinkNextNode(pstNode);
}
else
{
//申请一个点节。
tagNode *pstNode = InnerAllocNode();
//解析tag，返回的是tag后面的内容。
pszFind = InnerSplitTag(pstNode,pszFind);
//解析content返回的是content后面的内容。
pszFind = InnerSplitContent(pstNode,pszFind);
//链接到“链表”。（下）
InnerLinkNextNode(pstNode);
}
}
}while( *pszFind!= _T('\0') );
}
LPTSTR CHtmlObject::InnerSplitComment(CHtmlObject::tagNode * lpstNode,LPTSTR lpszTagString)
{
LPTSTR pszFind = lpszTagString;
//指向注释开头(已经跳过“<”字符)
lpstNode->s_pszKey = pszFind;
//如果为
if( ::_tcsnicmp(pszFind+1,_T("--"),2) == 0 )
{
//跳过注释标记“头”，开始查找。
pszFind += 3;
//查找到注释结尾，并给结尾加“\0”。
while( ::_tcsnicmp(pszFind,_T("-->"),3) != 0 )
{
//下一个字符
pszFind++;
}
//不是“\0”
if( *pszFind != _T('\0') )
{
//把“>”置换为“\0”,做为注释结尾
*(pszFind+2) = _T('\0');
//指向新的节点或内容。
pszFind += 3;
}
}
//否则为
else
{
//查找到注释结尾，并给结尾加“\0”。
while( *pszFind != _T('\0') && *pszFind != _T('>') )
{
//下一个字符
pszFind++;
}
//不能是“\0”
if( *pszFind != _T('\0') )
{
//把“>”置换为“\0”,做为注释结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
}
}
//找到一个“<”
while( *pszFind != _T('\0') && *pszFind != _T('<') )
{
//下一个字符
pszFind++;
}
return pszFind;
}
LPTSTR CHtmlObject::InnerSplitTag(CHtmlObject::tagNode * lpstNode,LPTSTR lpszTagString)
{
LPTSTR pszFind = lpszTagString;
//指向开头(已经跳过“<”字符)
lpstNode->s_pszKey = pszFind;
//查找tag结尾，并给结尾加“\0”。
while( *pszFind != _T('\0') && *pszFind != _T('>') && !CHtmlObject::IsSpace(*pszFind) )
{
//下一个字符
pszFind++;
}
//不是“\0”
if( *pszFind != _T('\0') )
{
if( *pszFind == _T('>') )
{
//把“>”置换为“\0”,做为注释结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
//此tag没有属性,什么也不做了。
}
else
{
//把“space,\r,\n,\t ”置换为“\0”,做为注释结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
//如果不是结束标记，表示此tag有“属性”还需要解析“属性”。
if( *lpstNode->s_pszKey != _T('/') )
{
//跳过所有“空格”,找到第一个属性。
while( *pszFind != _T('\0') && CHtmlObject::IsSpace(*pszFind) )
{
//下一个字符
pszFind++;
}
//循环分析“属性”。
while( *pszFind != _T('\0') && *pszFind != _T('<') && *pszFind != _T('>') )
{
//例：
// key="value" key=value
//跳过空格
while( *pszFind != _T('\0') && CHtmlObject::IsSpace(*pszFind) )
{
//下一个字符
pszFind++;
}
//不是“\0”
if( *pszFind != _T('\0') )
{
//申请一个点节。
tagNode *pstAttributeNode = InnerAllocNode();
//指向“属性”Key。
pstAttributeNode->s_pszKey = pszFind;
//查找key的末尾.
while( *pszFind != _T('\0') && *pszFind != _T('=') && *pszFind != _T('>') )
{
//下一个字符
pszFind++;
}
//不是“\0”
if( *pszFind != _T('\0') )
{
if( *pszFind == _T('>') )
{
//把“>”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
//链接到“链表”（右）。
InnerLinkRightNode(lpstNode,pstAttributeNode);
//已经碰到“>”,需要跳出。
break;
}
else
{
//把“=”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
//不是“\0”
if( *pszFind != _T('\0') )
{
if( *pszFind == _T('"') )
{
//跳过“"”
pszFind++;
//指向“属性”key的Value。
pstAttributeNode->s_pszValue = pszFind;
//查找Value的末尾.
while( *pszFind != _T('\0') && *pszFind != _T('\"') && *pszFind != _T('>') )
{
//下一个字符
pszFind++;
}
//不是“\0”
if( *pszFind != _T('\0') )
{
//把“",> ”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
}
}
else if( *pszFind == _T('\'') )
{
//跳过“'”
pszFind++;
//指向“属性”key的Value。
pstAttributeNode->s_pszValue = pszFind;
//查找Value的末尾.
while( *pszFind != _T('\0') && *pszFind != _T('\'') && *pszFind != _T('>') )
{
//下一个字符
pszFind++;
}
//不是“\0”
if( *pszFind != _T('\0') )
{
//把“", ”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
}
}
else
{
//指向“属性”key的Value。
pstAttributeNode->s_pszValue = pszFind;
//查找Value的末尾.
while( *pszFind != _T('\0') && *pszFind != _T(' ') && *pszFind != _T('>') )
{
//下一个字符
pszFind++;
}
//不是“\0”
if( *pszFind != _T('\0') )
{
//把“ ”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
}
}
}
}
}
//链接到“链表”（右）。
InnerLinkRightNode(lpstNode,pstAttributeNode);
}
}
//跳过这个无用的字符。
if( *pszFind == _T('>') )
{
//指向新的节点或内容。
pszFind++;
}
}
}
}
return pszFind;
}
LPTSTR CHtmlObject::InnerSplitContent(CHtmlObject::tagNode * lpstNode,LPTSTR lpszTagString)
{
LPTSTR pszFind = lpszTagString;
if( ::_tcsnicmp(lpstNode->s_pszKey,_T("script"),6) == 0 )
{
pszFind = InnerSplitScript(lpstNode,pszFind);
}
else if( ::_tcsnicmp(lpstNode->s_pszKey,_T("style"),5) == 0 )
{
pszFind = InnerSplitStyle(lpstNode,pszFind);
}
else
{
pszFind = InnerSplitText(lpstNode,pszFind);
}
return pszFind;
}
LPTSTR CHtmlObject::InnerSplitText(CHtmlObject::tagNode * lpstNode,LPTSTR lpszTagString)
{
LPTSTR pszFind = lpszTagString;
//跳过所有“空格”
while( *pszFind != _T('\0') && CHtmlObject::IsSpace(*pszFind) )
{
//下一个字符
pszFind++;
}
//如果 _T('<') 表示没有文本。
if( *pszFind != _T('<') )
{
//指向可见文本。
lpstNode->s_pszValue = pszFind;
//查找文本结尾。
while( *pszFind != _T('\0') && *pszFind != _T('<') && !CHtmlObject::IsSpace(*pszFind) )
{
//下一个字符
pszFind++;
}
//不是“\0”
if( *pszFind != _T('\0') )
{
if( *pszFind == _T('<') )
{
//把“<”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
}
else
{
//把“space,\r,\n,\t,”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
//找到一个“<”
while( *pszFind != _T('\0') && *pszFind != _T('<') )
{
//下一个字符
pszFind++;
}
}
}
}
return pszFind;
}
LPTSTR CHtmlObject::InnerSplitScript(tagNode * lpstNode,LPTSTR lpszTagString)
{
LPTSTR pszFind = lpszTagString;
#define SCRIPT_MARK_MAX 1024
UINT nMarkIndex = 0;
TCHAR szMark[SCRIPT_MARK_MAX] = {_T('\0')}; //max 1024
//跳过所有“空格”
while( *pszFind != _T('\0') && CHtmlObject::IsSpace(*pszFind) )
{
//下一个字符
pszFind++;
}
if( *pszFind != _T('\0') && *pszFind != _T('<') )
{
//指向可见文本。
lpstNode->s_pszValue = pszFind;
while( *pszFind != _T('\0') )
{
//如果字符被“'，"”包围则为字符串，这期间不计算注释。
if( szMark[nMarkIndex] != _T('\'') && szMark[nMarkIndex] != _T('\"') )
{
//如果是// abc 则跳过。
if( ::_tcsnicmp(pszFind,_T("//"),2) == 0 )
{
//跳过注释“头”。
pszFind +=2;
//查找注释“尾”。
while( *pszFind != _T('\0') && *pszFind != _T('\n') )
{
pszFind++;
}
//跳过注释“尾”。
if( *pszFind != _T('\0') )
pszFind++;
}
//如果是/* abc */则跳过。
else if( ::_tcsnicmp(pszFind,_T("/*"),2) == 0 )
{
//跳过注释“头”。
pszFind +=2;
//查找注释“尾”。
while( ::_tcsnicmp(pszFind,_T("*/"),2) != 0 )
{
pszFind++;
}
//跳过注释“尾”。
if( *pszFind != _T('\0') )
pszFind +=2;
}
}
if( *pszFind == _T('\\') &&
( *(pszFind+1) == _T('\\') ||
*(pszFind+1) == _T('(') || *(pszFind+1) == _T(')') ||
*(pszFind+1) == _T('[') || *(pszFind+1) == _T(']') ||
*(pszFind+1) == _T('{') || *(pszFind+1) == _T('}') ||
*(pszFind+1) == _T('\'') ||
*(pszFind+1) == _T('\"') ) )
{
//转意字符
pszFind+=2;
}
else if( *pszFind == _T('{') || *pszFind == _T('(') || *pszFind == _T('[') || (*pszFind == _T('\'') || *pszFind == _T('\"')) )
{
if( szMark[nMarkIndex] != _T('\'') && szMark[nMarkIndex] != _T('\"') )
{
if( nMarkIndex < SCRIPT_MARK_MAX )
{
if( nMarkIndex == 0 && szMark[nMarkIndex] == _T('\0') )
szMark[nMarkIndex] = *pszFind;
else
szMark[++nMarkIndex] = *pszFind;
}
}
else if( szMark[nMarkIndex] == *pszFind )
{
if( nMarkIndex >0 )
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if( *pszFind == _T('}') )
{
if( szMark[nMarkIndex] == _T('{') )
{
if( nMarkIndex >0 )
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if( *pszFind == _T(')') )
{
if( szMark[nMarkIndex] == _T('(') )
{
if( nMarkIndex >0 )
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if( *pszFind == _T(']') )
{
if( szMark[nMarkIndex] == _T('[') )
{
if( nMarkIndex >0 )
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if( *pszFind == _T('<') && szMark[0] == _T('\0') ) //nMarkIndex == 0 &&
{
//把“<”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
break;
}
else
{
pszFind++;
}
}
}
return pszFind;
}
LPTSTR CHtmlObject::InnerSplitStyle(CHtmlObject::tagNode * lpstNode,LPTSTR lpszTagString)
{
LPTSTR pszFind = lpszTagString;
#define STYLE_MARK_MAX 1024
UINT nMarkIndex = 0;
TCHAR szMark[STYLE_MARK_MAX] = {_T('\0')}; //max 1024
//跳过所有“空格”
while( *pszFind != _T('\0') && CHtmlObject::IsSpace(*pszFind) )
{
//下一个字符
pszFind++;
}
if( *pszFind != _T('\0') && *pszFind != _T('<') )
{
//指向可见文本。
lpstNode->s_pszValue = pszFind;
while( *pszFind != _T('\0') )
{
//如果字符被“(，'，"”包围则为字符串，这期间不计算注释。
if( szMark[nMarkIndex] != _T('(') && szMark[nMarkIndex] != _T('\'') && szMark[nMarkIndex] != _T('\"') )
{
//如果是/* abc */则跳过。
if( ::_tcsnicmp(pszFind,_T("/*"),2) == 0 )
{
//跳过注释“头”，查找注释“尾”。
pszFind +=2;
while( ::_tcsnicmp(pszFind,_T("*/"),2) != 0 )
{
pszFind++;
}
//跳过注释“尾”。
if( *pszFind != _T('\0') )
pszFind +=2;
}
}
if( *pszFind == _T('{') || *pszFind == _T('(') || *pszFind == _T('[') || (*pszFind == _T('\'') || *pszFind == _T('\"')) )
{
if( szMark[nMarkIndex] != _T('\'') && szMark[nMarkIndex] != _T('\"') )
{
if( nMarkIndex < STYLE_MARK_MAX )
{
if( nMarkIndex == 0 && szMark[nMarkIndex] == _T('\0') )
szMark[nMarkIndex] = *pszFind;
else
szMark[++nMarkIndex] = *pszFind;
}
}
else if( szMark[nMarkIndex] == *pszFind )
{
if( nMarkIndex >0 )
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if( *pszFind == _T('}') )
{
if( szMark[nMarkIndex] == _T('{') )
{
if( nMarkIndex >0 )
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if( *pszFind == _T(')') )
{
if( szMark[nMarkIndex] == _T('(') )
{
if( nMarkIndex >0 )
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if( *pszFind == _T(']') )
{
if( szMark[nMarkIndex] == _T('[') )
{
if( nMarkIndex >0 )
szMark[nMarkIndex--] = _T('\0');
else
szMark[nMarkIndex] = _T('\0');
}
pszFind++;
}
else if( *pszFind == _T('<') && szMark[0] == _T('\0') ) //nMarkIndex == 0 &&
{
//把“<”置换为“\0”,做为结尾。
*pszFind = _T('\0');
//指向新的节点或内容。
pszFind++;
break;
}
else
{
pszFind++;
}
}
}
return pszFind;
}
//CHtmlObject.cpp//
//CHtmlHelper.h//
#pragma once
/*****************************************************************************************************************
created: 2011/12/03
author: hmm7e ([email protected])
*****************************************************************************************************************/
#include "HtmlObject.h"
class CHtmlHelper:public CHtmlObject
{
public:
CHtmlHelper(void);
virtual ~CHtmlHelper(void);
public:
//
LPCTSTR GetFirstLink();
LPCTSTR GetNextLink();
LPCTSTR GetFirstContent();
LPCTSTR GetNextContent();
LPCTSTR SearchText(LPCTSTR lpszText);
protected:
//
CHtmlObject::tagNode * m_pstCur;
};
//CHtmlHelper.h////CHtmlHelper.cpp//
#pragma once
/*****************************************************************************************************************
created: 2011/12/03
author: hmm7e ([email protected])
*****************************************************************************************************************/
#include "HtmlHelper.h"
#pragma warning(disable: 4996)
CHtmlHelper::CHtmlHelper()
{
}
CHtmlHelper::~CHtmlHelper()
{
}
//
LPCTSTR CHtmlHelper::GetFirstLink()
{
LPCTSTR pszResult = NULL;
m_pstCur = m_pstHead;
while( m_pstCur && !pszResult )
{
if( 0 != ::_tcsnicmp(m_pstCur->s_pszKey,_T("script"),6) &&
0 != ::_tcsnicmp(m_pstCur->s_pszKey,_T("style"),5) )
{
CHtmlObject::tagNode * pstAttributeCur = m_pstCur->s_pstRight;
while( pstAttributeCur )
{
if( 0 == ::_tcsnicmp(pstAttributeCur->s_pszKey,_T("href"),4) ||
0 == ::_tcsnicmp(pstAttributeCur->s_pszKey,_T("src"),3) )
{
//return
pszResult = pstAttributeCur->s_pszValue;
break ;
}
else
{
pstAttributeCur = pstAttributeCur->s_pstRight;
}
}
}
m_pstCur = m_pstCur->s_pstNext;
}
return pszResult;
}
LPCTSTR CHtmlHelper::GetNextLink()
{
LPCTSTR pszResult = NULL;
while( m_pstCur && !pszResult )
{
if( 0 != ::_tcsnicmp(m_pstCur->s_pszKey,_T("script"),6) &&
0 != ::_tcsnicmp(m_pstCur->s_pszKey,_T("style"),5) )
{
CHtmlObject::tagNode * pstAttributeCur = m_pstCur->s_pstRight;
while( pstAttributeCur )
{
if( 0 == ::_tcsnicmp(pstAttributeCur->s_pszKey,_T("href"),4) ||
0 == ::_tcsnicmp(pstAttributeCur->s_pszKey,_T("src"),3) )
{
//return
pszResult = pstAttributeCur->s_pszValue;
break ;
}
else
{
pstAttributeCur = pstAttributeCur->s_pstRight;
}
}
}
m_pstCur = m_pstCur->s_pstNext;
}
return pszResult;
}
LPCTSTR CHtmlHelper::GetFirstContent()
{
LPCTSTR pszResult = NULL;
m_pstCur = m_pstHead;
while( m_pstCur && !pszResult )
{
if( 0 != ::_tcsnicmp(m_pstCur->s_pszKey,_T("script"),6) &&
0 != ::_tcsnicmp(m_pstCur->s_pszKey,_T("style"),5) )
{
if( m_pstCur->s_pszValue )
pszResult = m_pstCur->s_pszValue;
}
m_pstCur = m_pstCur->s_pstNext;
}
return pszResult;
}
LPCTSTR CHtmlHelper::GetNextContent()
{
LPCTSTR pszResult = NULL;
while( m_pstCur && !pszResult )
{
if( 0 != ::_tcsnicmp(m_pstCur->s_pszKey,_T("script"),6) &&
0 != ::_tcsnicmp(m_pstCur->s_pszKey,_T("style"),5) )
{
if( m_pstCur->s_pszValue )
pszResult = m_pstCur->s_pszValue;
}
m_pstCur = m_pstCur->s_pstNext;
}
return pszResult;
}
//
LPCTSTR CHtmlHelper::SearchText(LPCTSTR lpszText)
{
LPCTSTR pszResult = NULL;
CHtmlObject::tagNode *pstCur = m_pstHead;
while( pstCur && !pszResult)
{
if( 0 != ::_tcsnicmp(pstCur->s_pszKey,_T("script"),6) &&
0 != ::_tcsnicmp(pstCur->s_pszKey,_T("style"),5) )
{
if( pstCur->s_pszValue )
{
if( (NULL != ::StrStrI(pstCur->s_pszValue,lpszText)) )
pszResult = pstCur->s_pszValue;
}
}
pstCur = pstCur->s_pstNext;
}
return pszResult;
}
#pragma warning(default: 4996)
//CHtmlHelper.cpp//