C++ 如何创建html树？

我需要挖掘一些html文件，我想首先将它们转换成一行一个标记的树的可读形式。然而，我没有html方面的经验。有人能更正我的代码并指出我忘记的规则吗

我的代码不适用于现实生活中的页面。在程序执行结束时，嵌套计数器应设置为0，因为程序应保留它遇到的所有嵌套标记。事实并非如此。对于一个facebook页面来说，有2000多个标签保持打开状态

在有人建议我使用图书馆之前，我还没有看到任何好的图书馆。对于我的页面，转换成xml不知何故失败了，htmlcxx库并没有合适的文档

#include <cstdio>

char get_char( FILE *stream ) {
    char c;
    do
        c = getc(stream);
    while ( c == ' ' || c == '\n' || c == '\t' || c == '\r' );
    return c;
}

void fun( FILE *stream, FILE *out ) {   
    int counter = -1;
    char c;

    do {
        c = get_char(stream);
        if ( c == EOF )
            break;

        if ( c != '<' ) { // print text
            for ( int i = counter + 1; i; --i )
                putc( ' ', out );
            fprintf( out, "TEXT: " );
            do {
                if ( c == '\n' )
                    fprintf( out, "<BR>" ); // random separator
                else
                    putc( c, out );
                c = getc( stream );
            } while ( c != '<' );
            putc( '\n', out );
        }

        c = getc( stream );
        if ( c != '/' ) { // nest deeper
            ++counter;
            for ( int i = counter; i; --i )
                putc( ' ', out );
        } else { // go back in nesting
            --counter;
            // maybe here should be some exception handling
            do // assuming there's no strings in quotation marks here
                c = getc( stream );
            while ( c != '>' );
            continue;
        }

        ungetc( c, stream );
        do { // reading tag
            c = getc(stream);
            if( c == '/' ) { // checking if it's not a <blahblah/>
                c = getc(stream);
                if ( c == '>' ) {
                    --counter;
                    break;
                }
                putc( '/', out );
                putc( c, out );
            } else if ( c == '"' ) { // not parsing strings put in quotation marks
                do {
                    putc( c, out ); c = getc( stream );
                    if ( c == '\\' ) {
                        putc( c, out ); c = getc( stream );
                        if ( c == '"' ) {
                            putc( c, out ); c = getc( stream );
                        }
                    }
                } while ( c != '"' );
                putc( c, out );
            } else if ( c == '>' ) { // end of tag
                break;
            } else // standard procedure
                putc( c, out );
        } while ( true );
        putc( '\n', out );
    } while (true);
    fprintf( out, "Counter: %d", counter );
}

int main() {
    const char *name = "rfb.html";
    const char *oname = "out.txt";
    FILE *file = fopen(name, "r");
    FILE *out = fopen(oname, "w");
    fun( file, out );
    return 0;
}

#包括
char get_char（文件*流）{
字符c；
做
c=getc（流）；
而（c=''| | c='\n'| | c='\t'| | c='\r'）；
返回c；
}
void fun（文件*流，文件*出）{
int计数器=-1；
字符c；
做{
c=获取字符（流）；
如果（c==EOF）
打破
如果（c！=''）{
--计数器；
打破
}
putc（“/”，out）；
putc（c，out）；
}else如果（c==“”）{//不解析放在引号中的字符串
做{
putc（c，out）；c=getc（流）；
如果（c=='\\'）{
putc（c，out）；c=getc（流）；
如果（c==“”）{
putc（c，out）；c=getc（流）；
}
}
}而（c！=“”）；
putc（c，out）；
}else如果（c=='>'）{//标记的结尾
打破
}else//标准程序
putc（c，out）；
}虽然（正确）；
putc（'\n'，out）；
}虽然（正确）；
fprintf（输出，“计数器：%d”，计数器）；
}
int main（）{
const char*name=“rfb.html”；
const char*oname=“out.txt”；
FILE*FILE=fopen（名称，“r”）；
FILE*out=fopen（oname，“w”）；
乐趣（文件，外出）；
返回0；
}

HTML！=XML 标记可以是非闭合的，例如

被认为等于

HTML！=XML

---

标记可以是非封闭的，例如

被认为等同于

这样有趣而有用的主题，几乎没有答案。真奇怪

很难找到好的C++ HTML解析器！我试图引导正确的方向……它可能会帮助你继续前进……/P> Lib curl页面有一些源代码可以让您使用。文档遍历dom树。您不需要xml解析器。在格式错误的html上不会失败

另一个选项是htmlcxx。从网站描述：

HTMLCXX是C++的一个简单的非验证CSS1和HTML解析器。 可以尝试像tidyHTML-（免费）这样的LIB

如果您使用的是Qt4.6，则可以使用QWebElement。一个简单的示例：

框架->设置HTML（HTML）； QWebElement文档=框架->文档元素（）； QList imgs=document.findAll（“img”）；

---

这是另一个例子。

如此有趣和有用的话题，几乎没有答案。真奇怪

很难找到好的C++ HTML解析器！我试图引导正确的方向……它可能会帮助你继续前进……/P> Lib curl页面有一些源代码可以让您使用。文档遍历dom树。您不需要xml解析器。在格式错误的html上不会失败

另一个选项是htmlcxx。从网站描述：

HTMLCXX是C++的一个简单的非验证CSS1和HTML解析器。 可以尝试像tidyHTML-（免费）这样的LIB

如果您使用的是Qt4.6，则可以使用QWebElement。一个简单的示例：

框架->设置HTML（HTML）； QWebElement文档=框架->文档元素（）； QList imgs=document.findAll（“img”）； 这里是另一个例子