我想用html5ever解析字符串格式的HTML,并找到此HTML中的所有链接。我知道How do I parse a page with html5ever, modify the DOM, and serialize it?,但是RcDom
不再存在。
最佳答案
您必须创建一个实现TokenSink
的结构,然后创建一个新的Tokenizer
,其中您的结构是sink
。使用Tokenizer::feed()
解析时,它将通过TokenSink
传递所有 token 。
该代码改编自html5ever examples,因此它是Apache/MIT许可的。 html5ever是为浏览器构建的复杂库,它显示-API似乎旨在容纳UTF-8以外的编码。
此代码仅从stdin解析。如果您想按原样使用它,请像curl
一样传递curl https://stackoverflow.com/questions/59461279/how-do-i-parse-a-page-with-html5ever-and-find-all-the-links | cargo run
。
当我这样做时,我得到的输出像
link to: #
link to: https://stackoverflow.com
link to: #
link to: /teams/customers
...
extern crate html5ever;
use std::default::Default;
use std::io;
use html5ever::tendril::*;
use html5ever::tokenizer::BufferQueue;
use html5ever::tokenizer::{StartTag, TagToken};
use html5ever::tokenizer::{Token, TokenSink, TokenSinkResult, Tokenizer, TokenizerOpts,};
use html5ever::interface::QualName;
use html5ever::{ns, namespace_url, LocalName};
#[derive(Copy, Clone)]
struct TokenPrinter {}
impl TokenSink for TokenPrinter {
type Handle = ();
fn process_token(&mut self, token: Token, _line_number: u64) -> TokenSinkResult<()> {
let link_name = QualName::new(
None,
ns!(),
LocalName::from("href"),
);
match token {
TagToken(tag) => {
if tag.kind == StartTag && tag.name.to_string()=="a" {
let attrs = tag.attrs;
for attr in attrs {
if attr.name == link_name {
println!("link to: {}", attr.value);
}
}
}
},
_ => {
},
}
TokenSinkResult::Continue
}
}
fn main() {
let sink = TokenPrinter {};
let mut chunk = ByteTendril::new();
io::stdin().read_to_tendril(&mut chunk).unwrap();
let mut input = BufferQueue::new();
input.push_back(chunk.try_reinterpret::<fmt::UTF8>().unwrap());
let mut tok = Tokenizer::new(
sink,
TokenizerOpts::default(),
);
let _ = tok.feed(&mut input);
assert!(input.is_empty());
tok.end();
}
关于web-scraping - 如何使用html5ever解析页面并找到所有链接?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59461279/