C++ 提取网页内容系列之三 - itdef

时间:2024-03-03 07:42:38

C++ 提取网页内容系列之三

标 题: C++ 提取网页内容系列
作 者: itdef
链 接: http://www.cnblogs.com/itdef/p/4171659.html 

欢迎转帖 请保持文本完整并注明出处

 

这次继续下载网页后 对其中内容的分析

使用tr1(c++预备标准库)中的正则式

void ContentSearchMainRecommend(const string& content)
{
	string text = content;
	string regString( "首页大推\',\'([^\']*)\'" );
	string regSubString("<strong class=\"strong color_orange\">([^<]*)</strong>");
	regex regExpress(regString);
	regex regSubExpress(regSubString);


	//string::size_type pos = content.find(strSearch);
	smatch ms;

	// 判断是否全行匹配
	while(regex_search(text, ms, regExpress))
	{
		string strResult;
		if(ms.size() == 2)
		{
			strResult = ms.str(1).c_str();
		}
		cout << "首页大推:\t" << strResult  << "\t\t";
		text = ms.suffix().str();
		if(regex_search(text, ms, regSubExpress))
		{
			if(ms.size() == 2)
			{
				cout << ms.str(1).c_str() << endl;
			}
		}else
		{
			cout << "search substring error" << endl;
			break;
		}
	}
	return ;
}

正则式的内容 如果不熟悉的话可以参考网络上流传的<30分钟正则式入门>

但是对于450K的网页 使用正则式匹配似乎比直接搜索要慢上不少

// 待续