├── HtmlParser.cpp
├── HtmlParser.h
├── README.md
├── htmlua.cpp
├── htmlua.def
├── htmlua.dll
├── htmlua.dsp
├── htmlua.dsw
├── htmlua.h
└── test.lua
/HtmlParser.cpp:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/liigo/htmlua/8ead93e64966c8ccb04d5013178f617f467acfe3/HtmlParser.cpp
--------------------------------------------------------------------------------
/HtmlParser.h:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/liigo/htmlua/8ead93e64966c8ccb04d5013178f617f467acfe3/HtmlParser.h
--------------------------------------------------------------------------------
/README.md:
--------------------------------------------------------------------------------
1 | htmlua
2 | ======
3 |
4 | Lua's C module for parsing html text, wrapper of liigo::HtmlParser
5 |
6 | LUA的HTML解析库，C模块，封装自C++的库 [liigo::HtmlParser](https://github.com/liigo/html-parser)。
7 |
8 | ###〇、基本概念
9 |
10 | 本HTML解析器把HTML文本解析为一组有序的节点(Node)。各节点分为不同的类型，记录了不同的信息。
11 | 节点的类型有：开始标签（如<a href="...">）、结束标签（如</a>）、文本、注释等。
12 | 开始标签和结束标签都有一个标签名称（tagname，如上例的"a"），相应的有一个标签类型（tagtype，用整数标识标签）。
13 | 开始标签节点往往有一系列属性（Attributes，如前例中的"href"）。
14 |
15 | 本文第四节将专门介绍节点类型和标签类型。更多信息请参考[我CSDN博客上的文章](http://blog.csdn.net/liigo/article/details/6153829)。
16 |
17 | ###一、加载htmlua库，创建parser解析器对象
18 |
19 | local html = require "htmlua"
20 |
21 | 该html对象（可自由命名）有以下两个函数：
22 |
23 | html.newparser(fn1,fn2) -- 创建解析器对象，两参数均可省略（详见下文第五节），返回parser
24 | html.deleteparser(parser) -- 删除解析器对象，参数为parser，无返回值
25 |
26 | 该html对象还有一个自动创建好的 parser 成员，可供直接使用，无需显式创建和删除。
27 |
28 | ###二、parser解析器对象，解析HTML文本
29 |
30 | parser解析器有以下方法（需首先传入parser自身作为第一个参数）：
31 |
32 | parser:parse(html,[parseAttr]) -- 解析HTML文本，参数1是HTML文本，参数2指定是否解析节点属性（默认为true），无返回值
33 | parser:nodecount() -- 返回解析后的节点个数
34 | parser:node(index) -- 返回解析后的指定索引处的节点对象，参数是节点索引(>=1,<=nodecount())，返回值是node对象（索引非法时返回nil）
35 | parser:ipairs() -- 用于支持for循环顺序遍历节点，如：for index,node in parser:ipairs() do ...
36 |
37 | 借助于 parser:ipairs() 方法，可以用 for 循环顺序遍历 node 节点对象：
38 |
39 | parser:parse("xxx...")
40 | for index,node in parser:ipairs() do
41 | print("node:", index, node.tagname, node.text)
42 | end
43 |
44 | ###三、node节点对象，获取节点信息
45 |
46 | node对象有以下成员：
47 |
48 | node.type -- 节点类型（int），可为 htmlnode.START_TAG, htmlnode.END_TAG... 等常量值之一，详见第四节htmlnode
49 | node.text -- 节点文本（string）
50 | node.tagname -- 标签名称（string）
51 | node.tagtype -- 标签类型（int），可为 htmltag.A, htmltag.DIV, htmltag.IMG... 等常量值之一，详见第四节htmltag
52 | node.attrcount -- 属性个数（int）
53 | node.iscdata -- 是否CDATA区块（bool）
54 | node.isselfclosing -- 是否自结束标签（bool）（例如
为自结束标签）
55 |
56 | node对象有以下方法（需首先传入node自身作为第一个参数）：
57 |
58 | node:attr(index/name) -- 取指定属性值。如果参数是属性名(string)，返回属性值(string)；如果参数是属性索引(>=1,<=attrcount)，返回属性名(string)和属性值(string)；如果参数指定的属性不存在，返回两个nil。
59 | node:pairs() -- 用于支持for循环遍历属性，如 for name,value in node:pairs() do ...
60 | node:parseattr() -- 解析节点属性，无参数无返回值，解析结果存入node对象中。如果先前已经解析过，不会重复解析。
61 |
62 | 借助于 node:pairs() 方法，可以用 for 循环遍历节点属性：
63 |
64 | local node1 = parser:node(1)
65 | for name,value in node1:pairs() do
66 | print("attr:", name, value)
67 | end
68 |
69 | 注意，操作node的过程中需保证parser对象始终有效，且没有调用parser:parse()执行下一次解析。
70 |
71 | ###四、节点类型和标签类型
72 |
73 | 节点类型用一个整数来表示，本库已事先定义了如下节点类型常量：
74 |
75 | htmlnode = {
76 | START_TAG = 1, --开始标签，如 或
77 | END_TAG = 2, --结束标签，如
78 | CONTENT = 3, --内容: 介于开始标签和/或结束标签之间的普通文本
79 | REMARKS = 4, --注释:
80 | UNKNOWN = 5, --未知的节点类型
81 | _USER_ = 10, --用户定义的其他节点类型值应大于_USER_，以确保不与上面定义的常量值重复
82 | }
83 |
84 | 使用方法： if(nodetype == htmlnode.START_TAG) ...
85 |
86 | 标签类型也用一个整数来表示，本库已事先定义了如下标签类型常量：
87 |
88 | htmltag = {
89 | UNKNOWN = 0, --表示未经识别的标签类型，参见HtmlParser.onIdentifyHtmlTag()
90 | SCRIPT=1, STYLE=2, TEXTAREA=3, --出于解析需要必须识别