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 14 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'

xiucai进行回复 取消回复

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