C++ HTMLタグ取り出して分を表示

Question

HTMLページの<p><p></p></p>で囲まれた文章をC++で表示したいのですが、うまくいきません。
なにか良い方法はありませんか？？
現在こんな感じのプログラムでやってます

---

#include <libxml/HTMLparser.h>
#include <iostream>
#include <string>
#include <fstream>
#include <stdio.h>
#include <string.h>
#include <stdlib.h>

using namespace std;

void FindInfo(xmlNode*& element);

int main() {
//HTML用の構造体
htmlDocPtr m_doc;

// ファイル名とエンコードの設定
char* file = "http://www.visit-hokkaido.jp/article/detail/2";
char* enc = "utf-8";
// xmlの読み込み
if (m_doc = htmlReadFile(file, enc, HTML_PARSE_RECOVER)) {
	htmlNodePtr root = xmlDocGetRootElement(m_doc);
	if (root != NULL) {
		FindInfo(root);
	}
	xmlFreeDoc(m_doc);
	m_doc = NULL;
}

xmlCleanupParser();
xmlCleanupCharEncodingHandlers();
return;

}

//地域
void FindInfo(xmlNode*& element){
char* count;
for (htmlNodePtr node = element; node != NULL; node = node->next){
//<p><p>
count = (char )node->next->next->children->content;
string a = count;
printf("%s\n",count);
if(xmlStrcasecmp(node->name, (const xmlChar)"p") == 0){
for(xmlAttrPtr attr = node->properties; attr != NULL; attr = attr->next){
if(xmlStrcasecmp(node->name, (const xmlChar*)"p") == 0){
count = (char *)node->next->next->children->content;
string a = count;
printf("%s\n",count);
}
}
}

		//再起読み込み
		if(node->children != NULL)
		{
				FindInfo(node->children);
		}
	}
}

---

<!-- /inner--> <div class="inner"> <!--/article_blocks-->

<!---->
<section class="artblock_left cf">
<img class="ph" src="http://www.visit-hokkaido.jp/assets/images/feature/2015/12/2_block_image_1.jpg?1450698010" alt="" />

<p class="artblock_catch">都市と自然が融合した北海道の中心地</p> **<p><p>北海道の政治・経済・文化の中心地である札幌は、便利な都市機能と豊かな自然が調和している街です。国の重要文化財に指定されている「札幌市時計台」や、都市景観100選にも選ばれる「大通公園」をはじめとした観光名所も豊富で、「さっぽろ雪まつり」や「サッポロ・シティ・ジャズ」など、季節ごとのイベントもバラエティ豊か。中心部は碁盤の目状になっており、初めての人でも街歩きがしやすいのも大きな魅力です。</p></p>** </section>

 <!---->

<div class="artblock_free"></div> <!--article_blocks/--> </div> <!--inner/-->

Comments

[raccy]

関数名から察するにlibxml2を使用していると思いますが、あってますでしょうか？C++には言語標準でXMLのライブラリは存在しませんし、有用なXMLのライブラリも複数存在します。どのライブラリを使っているかを明記していただくと、回答者も回答しすくなると思います。

[J.Spei]

libxml2を使用しています。あとhtmlparserですね

Answer 1

ipadcaronさんの言うように、普通に文字列(string)として読み込んで,str.find("<P><p>");とかで見つければいいと思いますが？
[追記]

~/test/cpptst >cat tst01.cpp 

#include <iostream>
#include <fstream>
#include <string>

using namespace std;

bool strip(const string &ss);

int main()
{
    string sbuf;
    string stmp;

    ifstream inFile("./tst01.xml");
    // ファイルから文字列を全て読む
    while( getline(inFile,stmp)){
        sbuf += stmp;
    }
    //
    if( !sbuf.empty()){
        (void)strip(sbuf);
    }
    //
    return 0;
}

bool strip(const string &ss)
{
    string::size_type sp= 0;
    string::size_type ep= 0;
    //
    sp= ss.find("<p><p>");
    if( sp == string::npos ){
        // 見つからなかった；；
        return false;
    }
    sp += 6;    // "<p><p>"をスキップ
    ep= ss.find("</p></p>",sp);
    //
    if( ep != string::npos ){
        // 終わりが見つかったら表示
        cout << ss.substr(sp, ep-sp) << endl;
        return true;
    }
    //
    return false;
}
~/test/cpptst >

Comments

[cateye]

xmlは普通のテキストファイルです。それが分かればxml固有の処理をしないで単純にテキストファイルの文字列検索をすればいいと思います。
ちょっとやってみたので結果だけ
~/test/cpptst >c++ tst01.cpp
~/test/cpptst >./a.out
北海道の政治・経済・文化の中心地である札幌は、便利な都市機能と豊かな自然が調和している街です。国の重要文化財に指定されている「札幌市時計台」や、都市景観100選にも選ばれる「大通公園」をはじめと
した観光名所も豊富で、「さっぽろ雪まつり」や「サッポロ・シティ・ジャズ」など、季節ごとのイベントもバラエティ豊か。中心部は碁盤の目状になっており、初めての人でも街歩きがしやすいのも大きな魅力です。
~/test/cpptst >

ファイルから文字列を全て読み込んで、sp= find("<p><p>");で最初を見つけて、find("</p></p>",sp);で終わりを見つけてsubstr()で表示しているだけです。
エラーチェックをしなければmain()も含めて２０行ほどのプログラムです。

[J.Spei]

回答ありがとうございます。

是非ソースコード見せてもらえませんか？

[cateye]

エンコードはUTF-8ですがtst01.xmlは、ご提示の<!-- /inner-->～<!--inner/-->をそのまま使っています。あと、xmlとして表示させると<p>と<p>あるいは、</p>と</p>の間に改行が入るようです・・・私の環境だけかもしれませんが悪さをしていなければいいのですが。

Answer 2

visual c++ 前提ですが、xmlreader 使えば良いのでは？
もしかして、xml ファイルを読み込んで、平文からp タグ囲みを検索したいってことですか。

Comments

[J.Spei]

OSはLinuxのubuntuです。
アロー演算子の問題なのか２つのpで囲まれたところが取り出せないんです

[ipadcaron]

html の構造解析せず、単純にpタグ2つ連続してる部分を抜き出すだけなんですよね？
何が難しくて悩んでいるのかが解らないのですが。
html を1行ずつ読み込み、ぎょうまつの改行コードを除去して全部つなげる。
1行のもじれつから、"<p><p>" を検索、この位置から直近の閉じタグを検索、範囲を切り取る。
なにか特徴的なキーワードがあって、そのキーワードがある直後の pタグだとしても、結局特定ワードで見つけることに代わり無いので、何が難しいのかわかりません。

[J.Spei]

回答ありがとうございます。そのやり方を知らなかったです。
勉強不足でした。やってみます！