Может ли кто-нибудь порекомендовать библиотеку C или Objective-C для разбора HTML? Он должен обрабатывать грязный HTML-код, который не будет полностью проверять.
Существует ли такая библиотека, или мне лучше просто использовать регулярные выражения?
Похоже, libxml2.2 входит в SDK, а libxml/HTMLparser.h утверждает следующее:
Этот модуль реализует не проверяющий HTML-код HTML 4.0 с API, совместимым с синтаксическими анализаторами XML. Он должен иметь возможность анализировать "реальный мир" HTML, даже если он сильно нарушен с точки зрения спецификации.
Это похоже на то, что мне нужно, поэтому я, вероятно, буду использовать это.
Я нашел, используя hpple, весьма полезный для разбора грязного HTML. Проект Hpple - это оболочка Objective-C в библиотеке XPathQuery для анализа HTML. Используя его, вы можете отправить запрос XPath и получить результат.
Требования
-Add libxml2 включает в ваш проект
-добавить библиотеку libxml2 к вашему проекту
-From hpple получить следующие файлы исходного кода, добавить их в свой проект:
- Пройдитесь по w3school XPath Tutorial, чтобы чувствовать себя комфортно с языком XPath.
Пример кода
#import "TFHpple.h"
NSData *data = [[NSData alloc] initWithContentsOfFile:@"example.html"];
// Create parser
xpathParser = [[TFHpple alloc] initWithHTMLData:data];
//Get all the cells of the 2nd row of the 3rd table
NSArray *elements = [xpathParser searchWithXPathQuery:@"//table[3]/tr[2]/td"];
// Access the first cell
TFHppleElement *element = [elements objectAtIndex:0];
// Get the text within the cell tag
NSString *content = [element content];
[xpathParser release];
[data release];
Известные проблемы
Поскольку hpple является оболочкой поверх XPathQuery, которая является другой оболочкой, этот параметр, вероятно, не самый эффективный. Если производительность является проблемой в вашем проекте, я рекомендую закодировать ваше собственное легкое решение на основе кода библиотеки hpple и xpathquery.
На всякий случай, когда кто-то попал сюда, запустив хороший синтаксический анализатор XPath и ушел и использовал TFHpple, обратите внимание, что TFHpple использует XPathQuery. Это довольно хорошо, но имеет утечку памяти.
В функции * PerformXPathQuery, если узлы найдены равными нулю, он выпрыгивает перед очисткой.
Итак, где вы видите этот бит кода: добавьте в две строки очистки.
xmlNodeSetPtr nodes = xpathObj->nodesetval;
if (!nodes)
{
NSLog(@"Nodes was nil.");
/* Cleanup */
xmlXPathFreeObject(xpathObj);
xmlXPathFreeContext(xpathCtx);
return nil;
}
Если вы делаете много разбора, это порочная утечка. Теперь... как мне вернуть свою ночь: -)
Я написал небольшую обертку вокруг libxml, которая может быть полезной:
Это, вероятно, зависит от того, насколько грязный HTML-код и что вы хотите извлечь. Но обычно Tidy делает неплохую работу. Он написан на C, и я думаю, вы должны иметь возможность создавать и статически связывать его для iPhone. Вы можете легко установить версию командной строки и сначала проверить результаты.
Вы можете проверить ElementParser. Он обеспечивает "достаточно" разбор HTML и XML. Хорошие интерфейсы очень легко обходят XML/HTML-документы. http://touchtank.wordpress.com/
Как использовать компонент Webkit и, возможно, сторонние пакеты, такие как jquery для таких задач? Не удалось бы получить html-данные в невидимом компоненте и воспользоваться преимуществами зрелых селекторов фреймворков javascript?
API Google GData Objective-C обновляет NSXMLElement и другие связанные классы, которые Apple удалила из iPhone SDK. Вы можете найти его здесь http://code.google.com/p/gdata-objectivec-client/. Я использовал его для обмена сообщениями через Jabber. Конечно, если ваш HTML некорректный (отсутствующие закрывающие теги), это может не сильно помочь.
Мы используем Convertigo для анализа HTML на стороне сервера и возврата чистых и опрятных веб-сервисов JSON в наши приложения для мобильных устройств