网页抓取选项 - 仅限 C++ 版本

Question

我正在寻找一个用于网页抓取的优秀 C++ 库。
它必须是 C/C++ 和 什么都没有，所以请不要将我引导至 Options for HTML scraping 或其他未提及 C++ 的 SO 问题/答案。

Answer 1

• libcurl 下载 html 文件
• libtidy 转换为有效的 xml
• libxml 解析/导航 xml

Answer 2

使用 myhtml C/C++ 解析器here;非常简单，非常快。除 C99 外没有依赖项。并且内置了 CSS 选择器（例如 here）

Answer 3

我推荐Qt5.6.2，这个强大的库提供给我们

1. 高级、直观、异步网络 API，例如 QNetworkAccessManager、QNetworkReply、QNetworkProxy 等
2. QRegularExpression 等强大的正则表达式类
3. 像 QtWebEngine 这样不错的 Web 引擎
4. 像 QWidgets 一样强大、成熟的 gui
5. 大部分 Qt5 api 都经过精心设计，signal 和 slot 也让编写异步代码变得更加容易
6. 出色的 unicode 支持
7. 功能丰富的文件系统库。无论是创建、删除、重命名还是查找保存文件的标准路径在 Qt5 中都是小菜一碟
8. QNetworkAccessManager 的异步 api 使得一次产生多个下载请求变得容易
9. 跨主要桌面平台、windows、mac os 和 linux，一次编写，随处编译，一个代码库。
10. 易于在 windows 和 mac 上部署（linux？也许 linuxdeployqt 可以为我们省去很多麻烦）
11. 易于安装在 windows、mac 和 linux 上
12. 等等

我已经用 Qt5 写了一个图像抓取应用程序，这个应用程序可以抓取几乎所有被谷歌、必应和雅虎搜索到的图像。

如需了解更多详情，请访问my github project。 我写了关于如何通过 Qt5 抓取数据的高级概述 我的博客（在堆栈溢出时发布太长）。

• Download Bing images by Qt5

• Create a better images downloader(Google, Bing and Yahoo) by Qt5

Answer 4

// download winhttpclient.h
// --------------------------------
#include <winhttp\WinHttpClient.h>
using namespace std;
typedef unsigned char byte;
#define foreach         BOOST_FOREACH
#define reverse_foreach BOOST_REVERSE_FOREACH

bool substrexvealue(const std::wstring& html,const std::string& tg1,const std::string& tg2,std::string& value, long& next) {
    long p1,p2;
    std::wstring wtmp;
    std::wstring wtg1(tg1.begin(),tg1.end());
    std::wstring wtg2(tg2.begin(),tg2.end());

    p1=html.find(wtg1,next);
    if(p1!=std::wstring::npos) {
        p2=html.find(wtg2,next);
        if(p2!=std::wstring::npos) {
            p1+=wtg1.size();
            wtmp=html.substr(p1,p2-p1-1);
            value=std::string(wtmp.begin(),wtmp.end());
            boost::trim(value);
            next=p1+1;
        }
    }
    return p1!=std::wstring::npos;
}
bool extractvalue(const std::wstring& html,const std::string& tag,std::string& value, long& next) {
    long p1,p2,p3;
    std::wstring wtmp;
    std::wstring wtag(tag.begin(),tag.end());

    p1=html.find(wtag,next);
    if(p1!=std::wstring::npos) {
        p2=html.find(L">",p1+wtag.size()-1);
        p3=html.find(L"<",p2+1);
        wtmp=html.substr(p2+1,p3-p2-1);
        value=std::string(wtmp.begin(),wtmp.end());
        boost::trim(value);
        next=p1+1;
    }
    return p1!=std::wstring::npos;
}
bool GetHTML(const std::string& url,std::wstring& header,std::wstring& hmtl) {
    std::wstring wurl = std::wstring(url.begin(),url.end());
    bool ret=false;
    try {
        WinHttpClient client(wurl.c_str());
        std::string url_protocol=url.substr(0,5);
        std::transform(url_protocol.begin(), url_protocol.end(), url_protocol.begin(), (int (*)(int))std::toupper);
        if(url_protocol=="HTTPS")    client.SetRequireValidSslCertificates(false);
        client.SetUserAgent(L"User-Agent: Mozilla/5.0 (Windows NT 6.1; WOW64; rv:19.0) Gecko/20100101 Firefox/19.0");
        if(client.SendHttpRequest()) {
            header = client.GetResponseHeader();
            hmtl = client.GetResponseContent();
            ret=true;
        }
    }catch(...) {
        header=L"Error";
        hmtl=L"";
    }
    return ret;
}
int main() {
    std::string url = "http://www.google.fr";
    std::wstring header,html;
    GetHTML(url,header,html));
}