在C++中使用LibXML2通过XPath获取HTML5元素的问题求助

我之前也踩过类似的LibXML2坑，咱们一步步拆解问题解决：

1. 核心问题：缺少HTML解析执行步骤 #

你创建了htmlCreateMemoryParserCtxt上下文，但没有触发实际的HTML解析操作，导致parse_ctx->myDoc处于未完全初始化的状态。后续XPath操作基于空文档自然找不到节点，访问具体路径时更是会触发空指针崩溃。

修正后的代码需要补上解析步骤，同时完善资源释放逻辑：

htmlParserCtxtPtr parse_ctx = htmlCreateMemoryParserCtxt(resp.text.c_str(), resp.text.size());
if (!parse_ctx) {
    std::cout << "Error creating parser context!" << std::endl;
    return;
}

// 关键：执行HTML解析
htmlParseDocument(parse_ctx);

// 检查解析是否成功
if (parse_ctx->myDoc == nullptr || parse_ctx->error) {
    std::cout << "HTML parse failed!" << std::endl;
    htmlFreeParserCtxt(parse_ctx);
    return;
}

xmlXPathContextPtr xml_ctx = xmlXPathNewContext(parse_ctx->myDoc);
if (!xml_ctx) {
    std::cout << "Error creating XPath context!" << std::endl;
    htmlFreeDoc(parse_ctx->myDoc);
    htmlFreeParserCtxt(parse_ctx);
    return;
}

// LibXML2解析HTML会自动转小写标签，所以//div是正确的写法
xmlXPathObjectPtr xpath_obj = xmlXPathEvalExpression((xmlChar *)"//div", xml_ctx);
if (!xpath_obj) {
    std::cout << "XPath eval failed!" << std::endl;
    xmlXPathFreeContext(xml_ctx);
    htmlFreeDoc(parse_ctx->myDoc);
    htmlFreeParserCtxt(parse_ctx);
    return;
}

xmlNodeSetPtr nodes = xpath_obj->nodesetval;
std::cout << "Found " << nodes->nodeNr << " div nodes!" << std::endl;

// 务必释放所有LibXML2分配的资源，避免内存泄漏
xmlXPathFreeObject(xpath_obj);
xmlXPathFreeContext(xml_ctx);
htmlFreeDoc(parse_ctx->myDoc);
htmlFreeParserCtxt(parse_ctx);

2. 解决HTML5标签报错问题 #

LibXML2默认的HTML解析器对<section>、<article>这类HTML5新标签会报“未知标签”错误，你需要启用宽松解析模式，在创建解析上下文后添加以下配置：

// 设置宽松解析选项，兼容HTML5标签
htmlCtxtSetOptions(parse_ctx, HTML_PARSE_RECOVER | HTML_PARSE_NONET | HTML_PARSE_NOERROR | HTML_PARSE_NOWARNING);

各选项作用：

• HTML_PARSE_RECOVER：忽略解析错误，继续完成文档解析
• HTML_PARSE_NONET：禁止加载外部资源（如图片、样式表），提升解析效率
• HTML_PARSE_NOERROR：关闭错误输出
• HTML_PARSE_NOWARNING：关闭警告输出

3. 额外注意事项 #

• LibXML2解析HTML时会自动将所有标签转为小写，所以XPath表达式必须用小写标签名（比如//div而非//DIV）
• 所有LibXML2分配的资源（上下文、文档、XPath对象等）都要手动释放，否则会造成内存泄漏
• 如果处理的是XHTML文档（带命名空间），需要在XPath上下文里注册对应命名空间，普通HTML无需此操作

内容的提问来源于stack exchange，提问作者mortymacs