Gumbo簡介
Gumbo是谷歌開源的一個純C編寫的HTML解析庫，性能很好，就是用起來比較麻煩。
github地址https://github.com/google/gumbo-parser
還有一個C++封裝的版本https://github.com/lazytiger/gumbo-query.git
關於HTML的參考，可見https://developer.mozilla.org/zh-CN/docs/Web/HTML
最近准備寫一個爬蟲，用於爬取epsg.io上的數據，所以找了這個庫用於HTML的解析。其實我這個簡單的爬取固定位置的內容，用這個實在是有點殺雞用牛刀了，直接做字符串搜索會更方便。
使用記錄
關於這個的使用，網上找不到太多的資料。
這里有一個https://blog.csdn.net/fjb2080/article/details/78992851
這個圖片上實際已經把相關的關系描述清楚了，我這里只做簡單的補充。
1、GumboNode的類型
對於一個GumboNode結構體對象，需要通過它的GumboNodeType type字段判斷其類型后，可根據類型對成員v進行操作。
v是一個union對象，它可以是GumboDocument、GumboElement、GumboText三種類型之一。
1、GUMBO_NODE_DOCUMENT 文檔節點
文檔節點表示的是一個完整的html文檔，就是從<html>到</html>之間的全部信息。對於v可取GumboDocument類型的成員document。
對於文檔節點，其內部包含的元素節點都在GumboVector children中。
2、GUMBO_NODE_ELEMENT 元素節點
只要是含有標簽tag的部分，都是元素節點。這個可以簡單的理解為，只要是<標簽名>到</標簽名>之間的就是一個元素節點的內容(有的元素是單標簽的)，元素節點可以有包含嵌套關系，子節點都在GumboVector children中。
/**
* 用於表示所有HTML元素的結構。 它包含有關標記，屬性和子節點的信息。
*/
typedef struct {
/**
* GumboNodes數組，包含此元素的子元素。 保存的是GumboNode的指針。
*/
GumboVector /* GumboNode* */ children;
/** 這個元素的GumboTag(標簽，HTML的標簽是定義好的)枚舉值 */
GumboTag tag;
/** 此元素的GumboNamespaceEnum值(表示這個是HTML、SVG還是MATHML)*/
GumboNamespaceEnum tag_namespace;
/**
* 指向此元素的原始標記文本的GumboStringPiece，直接指向源緩沖區。
* 如果標記是通過算法插入的（例如，<head>或<tbody>插入），則這將是一個零長度字符串。
*/
GumboStringPiece original_tag;
/**
* 指向此元素的原始結束標記文本的GumboStringPiece。
* 如果以算法方式插入結束標記（例如，關閉自閉標記），則這將是一個零長度字符串。
*/
GumboStringPiece original_end_tag;
/** 記錄元素開始標簽在來源字符串中的起始位置。 */
GumboSourcePosition start_pos;
/** 記錄元素結束標簽在來源字符串中的起始位置。 */
GumboSourcePosition end_pos;
/**
* GumboAttributes數組，按照解析順序包含此元素標簽的屬性
* 數組保存的是GumboAttribute的指針
*/
GumboVector /* GumboAttribute* */ attributes;
} GumboElement;
3、GUMBO_NODE_TEXT 文本節點
文本節點，對於v可取GumboText類型的成員text。
Gumbo在解析的時候，對於\r\n這種都會解析為一個獨立的文件節點。
4、GUMBO_NODE_CDATA
CDATA節點是一個比較特殊的節點，這個節點用於傳輸需要瀏覽器不做解析，原封不動的當做文本的內容。所以對於v也是取GumboText類型的成員text。
5、GUMBO_NODE_COMMENT
注釋節點，這個用於保存html中的注釋，對於這個節點，對於v也是取GumboText類型的成員text。取出來的GumboText對象中的text成員不包含注釋分隔符。
6、GUMBO_NODE_WHITESPACE
這是一個文本節點的特例，文本的內容都是空白字符(空格、TAB、回車)。v也是取GumboText。
7、GUMBO_NODE_TEMPLATE
模板節點。就是標簽<template>包含的部分。
這與GUMBO_NODE_ELEMENT是分開的，因為許多客戶端庫都希望忽略模板節點的內容，如規范所示。 在GUMBO_NODE_ELEMENT上遞歸會在這里做正確的事情，而想要包含模板內容的客戶端也應該檢查GUMBO_NODE_TEMPLATE。 v將是一個GumboElement。
2、簡單的使用
為了方便使用，我簡單的封裝了兩個函數，對於我的使用已經足夠了。如果需要更方便的使用，可以考慮https://github.com/lazytiger/gumbo-query.git
1、用於方便一點的查找子節點的
std::vector<GumboNode*> find_sub_node(const GumboNode* parentNode,
GumboNodeType type, GumboTag tag, int attrCount, ...)
{
std::vector<GumboNode*> subNode;
const GumboVector* vec = &(parentNode->v.element.children);
for (int i = 0; i < vec->length; ++i) {
GumboNode* node = (GumboNode*)vec->data[i];
if (node->type != type || (type == GUMBO_NODE_ELEMENT && node->v.element.tag != tag)) {
continue;
}
int pattend = 0;
va_list vl;
va_start(vl, attrCount);
for (int ai = 0; ai < attrCount; ++ai) {
const char* name = va_arg(vl, char*);
const char* value = va_arg(vl, char*);
GumboAttribute* attr = gumbo_get_attribute(&(node->v.element.attributes), name);
if (attr == NULL || strcmp(value, attr->value) != 0) { continue; }
pattend += 1;
}
va_end(vl);
if (pattend == attrCount) {
subNode.push_back(node);
}
}
return subNode;
}
2、用於方便的查找文本子節點的
std::vector<std::string> find_sub_text(const GumboNode* parentNode)
{
std::vector<std::string> subText;
const GumboVector* vec = &(parentNode->v.element.children);
for (int i = 0; i < vec->length; ++i) {
GumboNode* node = (GumboNode*)vec->data[i];
if (GUMBO_NODE_TEXT == node->type) {
subText.push_back(node->v.text.text);
continue;
}
}
return subText;
}