使用 C 提取 Wiki 链接

Question

我需要编写一个程序来读取维基百科源文件并提取所有指向其他网页的链接。所有网页看起来像示例：

<a href="/wiki/PageName" title="PageName">Chicken</a>

我基本上需要将 /wiki/ 之后的 PageName 与标题匹配，如果它们相同，如上，则在终端上仅显示 PageName。

但是，由于与上面的格式不同，因此不应匹配以下内容： <a href="http://chicken.com>Chicken</a>（这是维基百科上一个普通网站的链接） <a href="/wiki/Chicken >Chicken</a>（缺少标题=部分） 我试图实现的输出如下所示：

Example output I am trying to achieve

我已经为此工作了很长时间，并且能够做到以下几点：

#include <stdio.h>
#include <string.h>

int main(int argc, char *argv[])
{
  FILE * file;
  file = fopen(argv[1], "r");

  char line[512];
  char* search;

  while(!feof(file)){
    fgets(line,512,file);

    search = strstr( line, "<a href=\"/wiki/");

    if(search != NULL){
        puts(search);
    }
  }
}

代码只过滤到 /wiki/ 但从这里开始我是空白的。我尝试了很多搜索，但无法获得线索。帮助将不胜感激。

Answer 1

您可以使用while(fgets(line,512,file)) 而不是while(!feof(file))，并通过添加几个验证，您的最终代码与预期输出将如下所示，

#ifdef  _MSC_VER
#define _CRT_SECURE_NO_WARNINGS
#endif //  MSC

#include <stdio.h>
#include <string.h>
#include <stdlib.h>

int main(int argc, char *argv[])
{
    FILE * file;

    if (argc != 2)
    {
        return -1;
    }

    file = fopen(argv[1], "r");

    if (!file)
    {
        return -1;
    }
    char line[512];
    char* search;

    while (fgets(line, 512, file)) {
        search = strstr(line, "<a href=\"/wiki/");

        if (search != NULL) {
            char *title = _strdup(search);
            if (title)
            {
                char* start = strstr(title, ">");
                char* end = strstr(start, "<");
                if (end)
                {
                    *end = 0;
                }
                if (strlen(start) >= 2)
                {
                    puts(start + 1);
                }
                free(title);
                title = 0;
            }
        }
    }
    fclose(file);
    file = NULL;
    return 0;
}

Answer 2

size_t sz;
fseek(file, 0L , SEEK_END);
sz=ftell(file);
rewind(file);
char line[sz+1];

这可能会修复分段错误。