跨平台的Html解析代码

前一段时间为了解析HTML在网上找Delphi版本的HTML解析器,发现没有太好用的.遇到复杂的HTML都会出错.最常见的JavaScript中嵌入HTML的字符串,会解析出错.
至于收费的没看过.不知道怎么样.

于是自己写了一个,到现在没有遇到解析出错的HTML.现在公开出来给大家用.只是苦了老外那几个收费的.

采用的是接口形式,生存期自管理,不用理会释放的事情.最近又增加了CSS Selector语法的查找功能.可以像CSS选择器一样选择节点.
只引用了SysUtils单元.避免了在高版本Delphi中Classes这个体积大户.同时也具有较好的跨平台性.
支持Delphi7-DelphiXE4为止的编译器.

因为采用的是接口,理论上编译成DLL的话C++和VB也能使用.
接口声明如下:

  IHtmlElement = interface
    ['{8C75239C-8CFA-499F-B115-7CEBEDFB421B}']
    function GetOwner: IHtmlElement; stdcall;
    function GetTagName: WideString; safecall;
    function GetContent: WideString; safecall;
    function GetOrignal: WideString; safecall;
    function GetChildrenCount: Integer; stdcall;
    function GetChildren(Index: Integer): IHtmlElement; stdcall;
    function GetCloseTag: IHtmlElement; stdcall;
    function GetInnerHtml(): WideString; safecall;
    function GetOuterHtml(): WideString; safecall;
    function GetInnerText(): WideString; safecall;

    function GetAttributes(Key: WideString): WideString; safecall;

    function GetSourceLineNum(): Integer; stdcall;
    function GetSourceColNum(): Integer; stdcall;

    // 属性是否存在
    function HasAttribute(AttributeName: WideString): Boolean; stdcall;
    // 查找节点
    { FindElements('Link','type="application/rss+xml"')
      FindElements('','type="application/rss+xml"')
    }
    function FindElements(ATagName: WideString; AAttributes: WideString;
      AOnlyInTopElement: Boolean): IHtmlElementList; stdcall;
    //用CSS选择器语法查找Element
    function SimpleCSSSelector(const selector: WideString)
      : IHtmlElementList; stdcall;
    // 枚举属性
    procedure EnumAttributeNames(AParam: Pointer;
      ACallBack: TEnumAttributeNameCallBack); stdcall;

    property TagName: WideString read GetTagName;
    property ChildrenCount: Integer read GetChildrenCount;
    property Children[index: Integer]: IHtmlElement read GetChildren; default;
    property CloseTag: IHtmlElement read GetCloseTag;
    property Content: WideString read GetContent;
    property Orignal: WideString read GetOrignal;
    property Owner: IHtmlElement read GetOwner;
    // 获取元素在源代码中的位置
    property SourceLineNum: Integer read GetSourceLineNum;
    property SourceColNum: Integer read GetSourceColNum;
    //
    property InnerHtml: WideString read GetInnerHtml;
    property OuterHtml: WideString read GetOuterHtml;
    property InnerText: WideString read GetInnerText;

    property Attributes[Key: WideString]: WideString read GetAttributes;
  end;

  IHtmlElementList = interface
    ['{8E1380C6-4263-4BF6-8D10-091A86D8E7D9}']
    function GetCount: Integer; stdcall;
    function GetItems(Index: Integer): IHtmlElement; stdcall;

    property Count: Integer read GetCount;
    property Items[Index: Integer]: IHtmlElement read GetItems; default;
  end;

function ParserHTML(const Source: WideString): IHtmlElement; stdcall;

GoogleCode SVN源代码:

http://code.google.com/p/delphi-html-parser/

或者
htmlparser

补充更新的版本:
http://www.raysoftware.cn/?p=443

此条目发表在Delphi, 未分类分类目录。将固定链接加入收藏夹。

跨平台的Html解析代码》有 60 条评论

  1. mark说:

    简单测试了下。确实很牛,要是能加入直接提取 link,script,image,iframe,只获取这些标签的功能就好了。就是不获取其他标签,是不是速度会快很多,也不用弄成个树,直接返回几个 THtmlElementList。哈哈,我只是提个建议。我看看能不能改下!
    谢谢大牛了!

  2. mark说:

    解析的 atrribute有问题 比如 src http://www.baidu.com/?abc=123&db=12
    这样的你就会根据=号,分割成很多个atrr

  3. mark说:

    就是没有双引号或者单引号的时候!

  4. maqiang说:

    大牛啊 厉害

  5. 匿名说:

    能不能用程序实现读取网易彩票11选5的倒计时

  6. 米汤说:

    有个小建议,innertext是否把 这种格式,添加个空格。

  7. sparrow说:

    有没有例子源码?

  8. DTAMADE说:

    是个好东西啊

  9. Edwin说:

    您好,这个html parser很不错,有一个请求,就是除了行号及列号,能否加入一个属性返回字符位置?谢谢。

  10. xiucai说:

    您好,在解析网页http://guba.eastmoney.com/news,600000,25782963,d.html#storeply时出现以下错误:
    ‘LineNum:213无法找到Tag结束点:<b'

  11. jacob说:

    我发觉错误点是发生在有一段的叙述上,去掉了这一段,就可以顺利的解析了!

  12. jacob说:

    我发觉错误点是发生在有一段 ?xml:namespace prefix = o ns = “urn:schemas-microsoft-com:office:office” 的叙述上,去掉了这一段,就可以顺利的解析了!

  13. 梧桐说:

    这个解析器挺好用的,我想问一下它调用各种方法,资源是如何回收释放的?

  14. Vladimir说:

    Hello.
    Did you not update the library anymore?
    One developer was busy refining this library, but it causes errors at some points. Perhaps you have a solution: https://github.com/ying32/htmlparser/issues/4

  15. Pingback引用通告: 43ytr.icu/j/GPoAr

  16. Pingback引用通告: Èãðà ïðåñòîëîâ 8 ñåçîí 2 ñåðèÿ 3 ñåðèÿ

  17. Pingback引用通告: Èãðà ïðåñòîëîâ 8 ñåçîí Ëîñòôèëüì

  18. Pingback引用通告: Èãðà ïðåñòîëîâ 8 ñåçîí

  19. Pingback引用通告: glyxar.ru

  20. Pingback引用通告: abisko.ru

  21. Pingback引用通告: 2021

  22. Pingback引用通告: Èãðà ïðåñòîëîâ 8 ñåçîí âñå ñåðèè

  23. Pingback引用通告: Èãðà Ïðåñòîëîâ 8 ñåçîí 5 ñåðèÿ

  24. Pingback引用通告: bitly.com/AzAX3

  25. Pingback引用通告: 2020-2020-2020

  26. Pingback引用通告: Mstiteli: Final (2019)

  27. Pingback引用通告: ðîêåòìåí ïîëíûé ôèëüì

  28. Pingback引用通告: wwin-tv.com

  29. Pingback引用通告: empire-season-2-episode-3-putlocker

  30. Pingback引用通告: Video

  31. Pingback引用通告: Watch

  32. Pingback引用通告: watch online

  33. Pingback引用通告: 00-tv.com

  34. Pingback引用通告: 4serial.com

  35. Pingback引用通告: we-b-tv.com

  36. Pingback引用通告: kino-m.com

  37. Pingback引用通告: m-dnc.com

  38. Pingback引用通告: ðûáàëêà

  39. Pingback引用通告: kino

  40. Pingback引用通告: hs;br

  41. Pingback引用通告: tureckie_serialy_na_russkom_jazyke

  42. Pingback引用通告: tureckie_serialy

  43. Pingback引用通告: serialy

  44. Pingback引用通告: +1+

  45. Pingback引用通告: æóêè+2+ñåðèÿ

  46. Pingback引用通告: Ñìîòðåòü âñå ñåðèè ïîäðÿä

  47. Pingback引用通告: âûòîïêà âîñêà

  48. Pingback引用通告: ++++++

  49. Pingback引用通告: HD-720

  50. Pingback引用通告: guardians+of+the+galaxy+2

  51. Pingback引用通告: strong woman do bong soon

  52. Pingback引用通告: my id is gangnam beauty

  53. Pingback引用通告: guardians of the galaxy vol 2

  54. Pingback引用通告: 2020

  55. Pingback引用通告: kpop+star+season+6+ep+9

  56. Pingback引用通告: 1 2 3 4 5 6 7 8 9 10

发表评论

电子邮件地址不会被公开。

您可以使用这些HTML标签和属性: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>

你必须启用JavaScript