Параметры веб-соскабливания - только версия на С++

Ответ 1

• libcurl, чтобы загрузить html файл
• libtidy для преобразования в действительный xml
• libxml, чтобы анализировать/перемещаться по xml

Ответ 2

Я рекомендую Qt5.6.2, эта мощная библиотека предлагает нам

• Высокоуровневая, интуитивно понятная асинхронная сеть api, такая как QNetworkAccessManager, QNetworkReply, QNetworkProxy и т.д.
• Мощный класс регулярных выражений, например QRegularExpression
• Достойный веб-движок, такой как QtWebEngine
• Надежный, зрелый gui, как QWidgets
• Большинство Qt5 api хорошо спроектированы, сигналы и слот делают запись асинхронных кодов намного проще.
• Поддержка большого юникода
• Функциональная библиотека файловой системы. Создать, удалить, переименовать или найти стандартный путь для сохранения файлов - кусок пирога в Qt5
• Асинхронный api QNetworkAccessManager позволяет легко запускать много запросов на загрузку сразу
• Перекрестите основные настольные платформы, окна, mac os и linux, напишите один раз, скомпилированные в любом месте, только один код.
• Простота развертывания в Windows и Mac (linux? Возможно, linuxdeployqt может сэкономить массу неприятностей).
• Простая установка на windows, mac и linux
• И так далее

Я уже писал приложение для скриншотов изображений от Qt5, это приложение может царапать почти все изображения, найденные Google, Bing и Yahoo.

Чтобы узнать больше об этом, посетите мой проект github. Я записал обзор высокого уровня о том, как очистить данные по Qt5 на мои блоги (слишком много времени для публикации при переполнении стека).

• Загрузите изображения Bing по Qt5

• Создайте лучший загрузчик изображений (Google, Bing и Yahoo) по Qt5

Ответ 3

// download winhttpclient.h
// --------------------------------
#include <winhttp\WinHttpClient.h>
using namespace std;
typedef unsigned char byte;
#define foreach         BOOST_FOREACH
#define reverse_foreach BOOST_REVERSE_FOREACH

bool substrexvealue(const std::wstring& html,const std::string& tg1,const std::string& tg2,std::string& value, long& next) {
    long p1,p2;
    std::wstring wtmp;
    std::wstring wtg1(tg1.begin(),tg1.end());
    std::wstring wtg2(tg2.begin(),tg2.end());

    p1=html.find(wtg1,next);
    if(p1!=std::wstring::npos) {
        p2=html.find(wtg2,next);
        if(p2!=std::wstring::npos) {
            p1+=wtg1.size();
            wtmp=html.substr(p1,p2-p1-1);
            value=std::string(wtmp.begin(),wtmp.end());
            boost::trim(value);
            next=p1+1;
        }
    }
    return p1!=std::wstring::npos;
}
bool extractvalue(const std::wstring& html,const std::string& tag,std::string& value, long& next) {
    long p1,p2,p3;
    std::wstring wtmp;
    std::wstring wtag(tag.begin(),tag.end());

    p1=html.find(wtag,next);
    if(p1!=std::wstring::npos) {
        p2=html.find(L">",p1+wtag.size()-1);
        p3=html.find(L"<",p2+1);
        wtmp=html.substr(p2+1,p3-p2-1);
        value=std::string(wtmp.begin(),wtmp.end());
        boost::trim(value);
        next=p1+1;
    }
    return p1!=std::wstring::npos;
}
bool GetHTML(const std::string& url,std::wstring& header,std::wstring& hmtl) {
    std::wstring wurl = std::wstring(url.begin(),url.end());
    bool ret=false;
    try {
        WinHttpClient client(wurl.c_str());
        std::string url_protocol=url.substr(0,5);
        std::transform(url_protocol.begin(), url_protocol.end(), url_protocol.begin(), (int (*)(int))std::toupper);
        if(url_protocol=="HTTPS")    client.SetRequireValidSslCertificates(false);
        client.SetUserAgent(L"User-Agent: Mozilla/5.0 (Windows NT 6.1; WOW64; rv:19.0) Gecko/20100101 Firefox/19.0");
        if(client.SendHttpRequest()) {
            header = client.GetResponseHeader();
            hmtl = client.GetResponseContent();
            ret=true;
        }
    }catch(...) {
        header=L"Error";
        hmtl=L"";
    }
    return ret;
}
int main() {
    std::string url = "http://www.google.fr";
    std::wstring header,html;
    GetHTML(url,header,html));
}