C从html文件中提取标签之间的字符串

Question

您好，我昨天从我的编程课上学习了文件 I/O，在这个练习中，我们需要从 html 文件中提取字符串并将其保存在 struct 中。

我创建了一个函数来获取字符串“Hello World”，但我的问题是我似乎无法获取第 3 次和第 4 次出现的 Hello world。如果有人可以向我解释为什么我的代码无法检测到第 3 次和第 4 次出现。

这是我的代码

void get_name (char *line, FILE * fPointer, struct Results items)
{
    char *p1;
    char *p2;
    char temp[100] = { 0 };
    int i = 0;

    while (fgets (line, 268, fPointer) != NULL) {       //String//
        p1 = strstr (line, "<span class=\"title\">");
        if (p1 == NULL) {
            printf ("Error p1\n");
        } 
        else {
            printf ("word found\n");

            p2 = strstr (p1, "</span>");

            if (p2 == NULL) {
                printf ("Error  P2\n");
            } 
            else {
                strncpy (temp, p1 + strlen ("<span class=\"title\">"),
                        p2 - p1 - strlen ("<span class=\"title\">"));
                strncpy (items[i].item_name, temp,
                        sizeof (temp) / sizeof (temp[0]));
                printf ("Success!\n");
                i++;
            }
        }
    }
}

编辑：文本

<span class="title">                                        Hello world1                            </span> 

<span class="title">Hello world2</span>                                                                 

<span class="title">                Hello world3                                                                    
</span> 


<span class="title">                                                                                        
Hello world4                                                                                        
</span>

Answer 1

除了 cmets 中给出的建议外，还应注意，使用 strstr 从 HTML 文档中提取数据是疯了，similar to using regex to extract HTML。

很难看出这个练习的目标是什么，因为我看不出你的课程还涵盖了哪些内容。然而，鉴于结构、流、字符串和函数已被涵盖，您可能还接触过使用链接器 来链接和使用外部库。 明智地从 HTML 文档中提取数据有几个选项。其中包括：

• libDOM、gumbo-parser 和其他库将为您解析 HTML 并允许您方便地定位内容而无需重新发明 HTML 解析轮。
• Many headless browsers，它不仅可以为您解析 HTML，还可以在没有 GUI 的情况下获取页面、提交表单、保存 cookie 和执行 Javascript。

---

不相信使用 saner 选项？好吧，让我们检查一下您的代码...

正如您所展示的那样，fgets 读取（最多）每次调用一行（即您的变量名，line），并且观察到您的示例（应该作为文本发布，而不是作为图像发布）包含开始标签单独一行，您的第一个调用定位第一个标签应该不足为奇，但需要进一步调用fgets 才能获取内容。即

printf ("word found\n");     // more fgets() is required between here
p2 = strstr (p1, "</span>"); // and here, because printf(line) shows us
                             // line only contains: "<span class=\"title\">\n"

这也解释了为什么您的第二个测试用例通过了（一切都在同一行）而您的第三个和第四个测试用例失败了（并非所有东西都在一行中） .要解决这个问题，显然你需要阅读多行行。