如何修改C语言Lexbor代码获取完整带值td标签并存入缓冲区

实现原理 #

Lexbor库自带DOM元素序列化接口，不需要手动拼接标签结构，可直接将定位到的td元素（含开标签、内部文本、闭合标签）完整输出到内存缓冲区，性能损耗极低，符合保留Lexbor依赖保障抓取效率的要求。

完整代码示例 #

#include <stdio.h>
#include <string.h>
#include <lexbor/html/html.h>
#include <lexbor/dom/dom.h>

int main(int argc, const char *argv[]) {
    // 待解析的HTML示例内容，可替换为实际抓取的HTML内容
    const lxb_char_t html[] = "<table><tr><th id=\"choose-this-header\">数值</th><td header=\"choose-this-header\">0.7</td></tr></table>";
    
    // 1. 初始化HTML解析器
    lxb_html_document_t *document = lxb_html_document_create();
    lxb_status_t status = lxb_html_document_parse(document, html, sizeof(html) - 1);
    if (status != LXB_STATUS_OK) {
        printf("HTML解析失败\n");
        return EXIT_FAILURE;
    }

    // 2. 遍历DOM查找所有header属性为choose-this-header的td元素
    lxb_dom_collection_t *collection = lxb_dom_collection_make(&document->dom_document, 16);
    if (collection == NULL) {
        printf("集合创建失败\n");
        lxb_html_document_destroy(document);
        return EXIT_FAILURE;
    }

    // 获取所有td元素
    status = lxb_dom_elements_by_tag_name(lxb_dom_interface_element(document), collection, (const lxb_char_t *)"td", 2);
    if (status != LXB_STATUS_OK) {
        printf("获取td元素失败\n");
        lxb_dom_collection_destroy(collection, true);
        lxb_html_document_destroy(document);
        return EXIT_FAILURE;
    }

    for (size_t i = 0; i < lxb_dom_collection_length(collection); i++) {
        lxb_dom_element_t *td_elem = lxb_dom_collection_element(collection, i);
        // 校验header属性值
        const lxb_char_t *header_val = lxb_dom_element_get_attribute(td_elem, (const lxb_char_t *)"header", 6, NULL);
        if (header_val != NULL && strcmp((const char *)header_val, "choose-this-header") == 0) {
            // 3. 序列化完整td元素到缓冲区
            lxb_char_t *serialized_buf;
            size_t buf_len;
            serialized_buf = lxb_html_serialize_str(lxb_dom_interface_node(td_elem), &buf_len);
            if (serialized_buf == NULL) {
                printf("td序列化失败\n");
                continue;
            }

            // serialized_buf即为完整的td标签内容，可复制到自定义缓冲区做后续处理
            printf("完整td内容：%.*s\n", (int)buf_len, serialized_buf);

            // 可选方案：不需要完整标签的话可直接提取内部文本，省略序列化步骤性能更高
            lxb_dom_node_t *text_node = lxb_dom_node_first_child(lxb_dom_interface_node(td_elem));
            if (text_node != NULL && text_node->type == LXB_DOM_NODE_TYPE_TEXT) {
                printf("td内文本值：%s\n", lxb_dom_node_text_content(text_node, NULL));
            }

            // 释放序列化生成的缓冲区
            lexbor_free(serialized_buf);
        }
    }

    // 释放全局资源
    lxb_dom_collection_destroy(collection, true);
    lxb_html_document_destroy(document);

    return EXIT_SUCCESS;
}

编译运行说明 #

• 前置依赖安装：sudo apt install liblexbor-dev
• 编译指令：gcc step_one.c -llexbor -o step_one
• 运行指令：./step_one

注意事项 #

• 序列化接口返回的缓冲区需要手动调用lexbor_free释放，避免内存泄漏
• 若是仅需要td内部的文本值，直接提取子文本节点即可，不需要走序列化流程，抓取效率更高

内容的提问来源于stack exchange，提问作者p.luck