C++中HTML元素的非破坏性解析和修改答案

【问题标题】：Non-destructive parsing and modifying of HTML elements in C++C++中HTML元素的非破坏性解析和修改
【发布时间】：2009-08-09 15:52:25
【问题描述】：

我需要在 C++ 中对 HTML 做一些简单的修改，最好不要完全重写 HTML，比如当我使用 libxml2 或 MSHTML 时会发生什么。

特别是我需要能够读取，然后（可能）修改所有“img”元素的“src”属性。我需要它足够健壮，以便能够使用任何有效的 HTML 来执行此操作，但最好不要在此过程中更改任何其他 HTML。

是否有任何库可以处理这个问题？或者这是我可以用正则表达式做的事情吗？我对正则表达式不太了解，我在这里读过很多问题，说你不应该使用它们来解析 HTML，但我不清楚这是否适用于这样的事情，或者该原则是否适用主要是在从 HTML 构建树的上下文中进行解析。

【问题讨论】：

我不确定我是否理解您的限制。使用 DOM 并不会完全重写 HTML。
@EBGreen，libxml 添加一个标记、一个标记，并重新格式化所有 HTML。 MSHTML 将所有标记更改为大写，并重新格式化。而且由于有效的 HTML 仍然可以在浏览器中显示，因此将其分解为 DOM 通常会遗漏原始 HTML 中的内容。我想尽可能完整地保留原始 HTML，因为人们可能仍在我产品的另一端进行设计，如果他们看到的 HTML 看起来与他们尝试生成的内容大不相同，那可以是个问题。
很抱歉应该说“因为无效的 HTML 仍然可以显示...”

【解决方案1】：

不建议将正则表达式用于 HTML，因为它们不能很好地处理嵌套标签。为此，它们应该没问题。

【讨论】：

谢谢，这就是我从其他问题/答案中收集到的信息，但我并不积极。我想这可能是我最终学习正则表达式的一个很好的借口。
我会推荐它。它们非常有用，而且学习曲线真的没有那么陡峭。
大约 8 或 9 年前，我曾经在 Perl 中使用过正则表达式，但我几乎已经忘记了这一切。但我只是抓住了 Boost Regex，并且能够在大约一个小时内弄清楚如何做我需要做的事情，大约 10 行代码。我订购了几本关于这个主题的书，所以我实际上可以理解我所做的一切：P

【解决方案2】：

试试看HTMLTidy

我过去曾将它用于类似的事情。

【讨论】：