[SOLUCIONADO] Obtener datos de un .html c++

rafael452 · #1 (**permalink**) 16/04/2015, 09:14

hola buenos días/tardes/noches. No tengo mucha experiencia en c/c++ por eso he tomado la decisión de consultar con los maestros de esta pagina que tanto me ha sido de utilidad; Procedo.

Estoy trabajando en Visual C++ 2012, y necesito que mi programa entre a una url y me guarde los datos que contiene la tabla en la url. Es un html sencillo, solo tiene la tabla y el titulo.

estoy creando un proyecto de consola, que entre, obtenga los datos de la tabla y los capture para luego exportarlos a un .xls o guardarlos en una DB.

He leído un poco, pero no me ha quedado claro ni como empezar a hacerlo. De antemano gracias por la ayuda y disculpen las molestias

una tabla como esta

<html>
<head><title>Ejemplo de tabla sencilla</title></head>
<body>

<h1>Listado de personas</h1>

<table>
<tr>
<td><strong>Nombre</strong></td>
<td><strong>Apellido</strong></td>
<td><strong>Cedula</strong></td>
</tr>

<tr>
<td>Rafael</td>
<td>Marquez</td>
<td>67891</td>
</tr>

<tr>
<td>Cecilio</td>
<td>Kinda</td>
<td>12345</td>
</tr>

<tr>
<td>Annaly</td>
<td>Figueroa</td>
<td>098612</td>
</tr>
</table>

</body>
</html>

vangodp · #2 (**permalink**) 16/04/2015, 21:00

Si no te importa usar C++11 tienes a regex para buscar expresiones regulares.

un ejemplo que tuve trasteando en un ratico >_<:

Código C++:

Ver original// match_results::prefix/suffix
// - using smatch, a standard alias of match_results<string::iterator>
#include <iostream>
#include <string>
#include <regex>
using namespace std;
 
 
int main () {
    std::string s ( "<td>Rafael</td>" ); //Supongamos que habiamos leido la linea "<td>Rafael</td>" del fichero. Seria librarse de las etiquetas de cierre y apertura para quedar solo con el nombre.
    std::regex e ( "<td>" );             //buscamos lo que hay despues de <td> o sea: "Rafael</td>"
    std::smatch m;                       //Aqui se guarda el "<td>" temporalmente
    
    std::cout << "Buscando lo que hay despues de <td> en la cadena \"" << s << "\"\n";
    std::regex_search ( s, m, e );
    
    string nombre;
    if ( m.ready() ) {
        std::cout << m[0] << " found!\n"; //si se encuentra el <td> se guarda aqui -> m[0]
        std::cout << "suffix: [" << (nombre = m.suffix()) << "]\n"; // Con esto sacamos lo que hay despues de </td> y lo guardamos en datos a la par que imprimimos tambien >_<
        
    }
    //el string nombre ahora contiene todo el sufijo de <td> (la etiqueta de apertura) o sea "Rafael</td>". Tiene todo lo que viene despues de <td> 
    std::regex etiquetaCierre ( "\\b(</td>)([^ ]*)" );  //buscamos ahora por la etiqueta de cierre "</td>"
    nombre = std::regex_replace ( nombre, etiquetaCierre, ""); // si la encuentra la sustituye por "" ¡NADA!
    
    std::cout << "Aqui tienes el nombre de la tabla: " << nombre << endl; 
    
    //Es hacer lo mismo
    return 0;
}

Ahora si haces eso 2 lineas más tendrías "Marquez" y "67891".
Es leer una linea y pasarlo por el proceso que describí en el ejemplo.

Puede que haya alguna otra cosa mas fácil como un parseador(analizador) de HTML para C++, pero desconozco el tema.

Es seguir investigando.

Deberías leer cosas como Analizador Léxico, Analizador Sintáctico, Analizador Semántico Expresiones Regulares, analizador morfológico...

Muy interesante el tema =D

Suerte!

rafael452 · #3 (**permalink**) 20/04/2015, 10:18

Hola vangodp gracias por la respuesta. Efectivamente he leido sobre los parseadores y he encontrado una libreria llamada HtmlAgilityPack, la cual esta diseñada para lo que necesito. Gracias por el tip nuevamente

vangodp · #4 (**permalink**) 20/04/2015, 13:22

Bueno... suerte =)