如何使用 html5ever 解析页面并找到所有链接？

Question

我想用 html5ever 解析字符串格式的 HTML 并找到这个 HTML 中的所有链接。我知道，但是 RcDom 不存在了。

Answer 1

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。当使用 Tokenizer::feed() 解析时，它将通过您的 TokenSink.

传递所有标记

此代码改编自 html5ever examples，因此已获得 Apache/MIT 许可。 html5ever 是一个为浏览器构建的复杂库，它显示 - API 似乎是为适应 UTF-8 以外的编码而设计的。

此代码仅从标准输入解析。如果你想按原样使用它，管道 curl 就像这样 curl | cargo run。当我这样做时，我得到类似

的输出

link to: #
link to: https://whosebug.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();
}

如何使用 html5ever 解析页面并找到所有链接？

How do I parse a page with html5ever and find all the links?

web-scraping

rust

html5ever