用纯C语言写了一个HtmlParse(网页分析器)外带采集功能,大小只有200K(免费+开源+操作示意图)下载地址: http://tieba.cangzhuo.com/tieba-%25B2%25D8%25D7%25BE-kz-ff11da70f37b11dd8000354100003541.html用法很简单,比如:你把网页分析器保存到D:\那你直接在 dos 窗口下输入:
d:\czhtmlparse "http://tieba.cangzhuo.com/"
然后回车就可以了!
运行需要一个参数,
第一个参数
"http://tieba.cangzhuo.com/"
表示要下载的地址目前测试过的大型网站有
http://www.csdn.net/
http://www.google.cn/目前支持 GB2312编码、UTF-8编码自动转换、ISO-8859-1 及无编码类型网页!
下一版本将增加对BIG5编码类型网页的转换支持!我打算等有 200人回复说好的时候就开源!大家要是喜欢就回复哈!
d:\czhtmlparse "http://tieba.cangzhuo.com/"
然后回车就可以了!
运行需要一个参数,
第一个参数
"http://tieba.cangzhuo.com/"
表示要下载的地址目前测试过的大型网站有
http://www.csdn.net/
http://www.google.cn/目前支持 GB2312编码、UTF-8编码自动转换、ISO-8859-1 及无编码类型网页!
下一版本将增加对BIG5编码类型网页的转换支持!我打算等有 200人回复说好的时候就开源!大家要是喜欢就回复哈!
在CSDN发网址可以升排名
菜就一个字,TMD的垃圾,这SB不知道有没有源码,或者源码很垃圾,怕丢人,不敢放出来,这么简单的东西,直接用C TIDY库就可以分析出来,才十多行代码,真TMD菜
#include <buffio.h>
#include <stdio.h>
#include <errno.h>
int main(int argc, char **argv )
{
const char* input = "<title>Foo</title><p>Foo!";
TidyBuffer output = {0};
TidyBuffer errbuf = {0};
int rc = -1;
Bool ok; TidyDoc tdoc = tidyCreate(); // Initialize "document"
printf( "Tidying:\t%s\n", input ); ok = tidyOptSetBool( tdoc, TidyXhtmlOut, yes ); // Convert to XHTML
if ( ok )
rc = tidySetErrorBuffer( tdoc, &errbuf ); // Capture diagnostics
if ( rc >= 0 )
rc = tidyParseString( tdoc, input ); // Parse the input
if ( rc >= 0 )
rc = tidyCleanAndRepair( tdoc ); // Tidy it up!
if ( rc >= 0 )
rc = tidyRunDiagnostics( tdoc ); // Kvetch
if ( rc > 1 ) // If error, force output.
rc = ( tidyOptSetBool(tdoc, TidyForceOutput, yes) ? rc : -1 );
if ( rc >= 0 )
rc = tidySaveBuffer( tdoc, &output ); // Pretty Print if ( rc >= 0 )
{
if ( rc > 0 )
printf( "\nDiagnostics:\n\n%s", errbuf.bp );
printf( "\nAnd here is the result:\n\n%s", output.bp );
}
else
printf( "A severe error (%d) occurred.\n", rc ); tidyBufFree( &output );
tidyBufFree( &errbuf );
tidyRelease( tdoc );
return rc;
}LZ个垃圾,给你个TIDY+BOOST分析的代码,轻松实现你那个垃圾功能,你个菜鸟,有没有源码,没源码就跟大爷学习一下
另外增加了对宽字符的支持!另补充说明:未使用任何第三方类库和正则库,完全自己编码实现!欢迎大家批评指正!多提宝贵意见!谢谢!
我们多交流哈!!
请加我的MSN [email protected]