这几天被chm文档的
自动化测试搞得有点烦躁，脾气也不大好。别人问问题的时候，语气自己都感觉很差。闲话少说，言归正传，之前已经用chmlib解压出了chm文件的
html文件，接下来要做的事，就是从html文件分析。
分析html文件，最关心的是正文，哪些html标签根本不用关心，而且必须要去除掉。最先想到的思路，是通过selenium操作浏览器打开html文件，然后抓取页面元素提取。本来以为可行，实际试了下，html正文是由很多短标签的text凑在一起的，小段文本太多了，这个文本抓取太烦了，压根行不通。这个思路，其实没有去掉标签，所以不行。所以剩下的思路，就是要抽取html文件的正文，直接对正文进行分析。
有事就找度娘，一个字就是搜！实在不想自己操刀进行解析html，谁都知道html文件是很混乱的，不想踏入泥潭。无奈，搜了很多HtmlParser开源代码，都未能满意，c、c++、python版本，几乎都不满意（边外语，
java版本有很多，实在不想引入java，估计搞c++的，先天排斥java，哎，啥时候能治愈好？）。
尝试了大半天，下载了很多代码都不行。回到宿舍，狠了狠心，动手写吧，html不就是一棵树，分析树，就用STL，开始干。说起来容易，做起来难，坚持了一两个小时，写了200行，就感觉不行了，太烦躁，发觉越来越不想自己动手写代码了，现在几乎完全成了抄代码的节奏？分析字符串，忽略无效的空格、tab，就写了三个版本，三个版本都不满意，感觉差别不大（心里还记着，sip协议自动化，写的协议解析感觉糟糕，到现在都没进步吗？）指针，迭代器，指针，迭代器，用指针还是用迭代器？to be or not to be，that's a question（什么意思啊，土鳖，或者不土鳖？）
size_t walk_blank(const string &str, size_t pos )
{
assert( pos >= 0 && pos < str.size() );
size_t len = str.size();
for(; pos < len; ++pos )
{
if( str[pos] == ' ' || str[pos] == '\t' )
continue;
return pos;
}
if( pos == len )
{
return string::npos;
}
return pos;
}
const char* walk_blank( const char*begin, const char*end )
{
const char*cur = begin;
for(; cur != end; ++cur )
{
if( *cur == ' ' || *cur == '\t' )
continue;
return cur;
}
return cur;
}
typedef string::const_iterator csiter;
csiter walk_blank( csiter begin, csiter end )
{
csiter cur = begin;
for(; cur != end; ++cur )
{
if( *cur == ' ' || *cur == '\t' )
continue;
return cur;
}
return end;
}
最终我还是放弃了，还是抄吧。继续上网搜索，不行通宵搜。因此，这次耐心点了，htmlcxx进入眼帘。其实在公司搜的时候，就找到这个库了，但看到说是05年就不更新了，总是找个新点的吧，就忽略了htmlcxx。看了看，有点眉目，下载下来仔细测试，正是所需要的东西，纯c++，规模也小，很适合集成源代码使用，这爽！上样例代码。
int main (int argc, const char * argv[])
{
string html = "<html><body>hey<link href=\"http://www.apple.com\" /><input/><p>haha</p></body></html>";
HTML::ParserDom parser;
tree<HTML::Node> dom = parser.parseTree(html);
tree<HTML::Node>::iterator it = dom.begin();
tree<HTML::Node>::iterator end = dom.end();
it = dom.begin();
end = dom.end();
for (; it != end; ++it)
{
if ((!it->isTag()) && (!it->isComment()))
{
cout << "Found text: ";
cout << it->text() << endl;
}
}
return 0;
}
输出：
Found text: hey
Found text: haha
使用超级简单！！趁热打铁，结合chmlib解压chm文件，周五花了近一天时间，把chm自动化开发完成，小测了一下，速度比预期快很多~。达到一次设计永久使用的目标，不用重构！
关于htmlcxx，可以上github获取，https://github.com/barmi/htmlcxx。windows、linux都可以编译，有现成的编译工程。
