HTMLPARSER タグ取り出し C＋＋

Question

HTMLページの<p><p></p></p>に囲まれた文字を取り出したいのですが、うまくできません。下記のプログラムを基に取り出せるプログラムを作りたいです。よろしくお願いします。
ーーーーーーーーーーーーーーーーーーーーーーーーー

<!-- /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/-->

ーーーーーーーーーーーーーーーーーーーーーーーー
#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;

}

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);
		}
	}
}

Comments

[cateye]

HTMLparserを使わなければならないのでしょうか？
・・・であれば、通常のc++の範疇を超えているように思われるのですが？　何か理由があるのでしょうか？

[J.Spei]

使わなくても表示ができるのであれば問題はないのですが…
卒業論文でPALROというLinaxのロボットに組み込んで発話させるものを作っています。
知識不足なのは否めないのですが、発表が来月なのでもう時間がないんです・・・

[cateye]

https://teratail.com/questions/25338の質問にソース上げましたが見ましたか？

[J.Spei]

見ました！提示してくださったソースでやろうとすると現在のプログラムすべて書き換えなくてはならなくなりそうなので・・
HTMLparserでは難しいですか？？

[cateye]

申し訳ないのですがHTMLparserに関してはまったく無知です＾＾；　なんたって組み込み屋さんなので・・・ただ、xmlファイルをstringとして読み込めれば処理そのものは使えると思いますが？

[J.Spei]

そうなんですね・・・parser使わない場合はってくださったソースになるのでしょうか？？
複数のchar*を用意してURLを格納し、ポインタを利用してタグ取り出して表示・・・みたいにしたいんですよね（・・）

Answer 1

pタグなので、カウントする必要があり、他のタグが現れたら カウントを戻すことで

<p><p> と２つ現れた時に、カウントが２になります。

当初書かれていたのは、a タグ内の href エレメントを探す場合です。

#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, bool& b_content);

int main() {
    //HTML用の構造体
    htmlDocPtr m_doc;
    bool b_content = false;

    // 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, b_content);
        }
        xmlFreeDoc(m_doc);
        m_doc = NULL;
    }

    xmlCleanupParser();
    xmlCleanupCharEncodingHandlers();
    return 0;
}

void FindInfo(xmlNode*& element, bool& b_content){
    int p_cnt = 0;
    int node_cnt = 0;
    for (htmlNodePtr node = element; node != NULL; node = node->next){
            node_cnt++;
            if( b_content && node->type == XML_TEXT_NODE ) {
                printf ("%s\n", node->content );
                b_content = false;
            }
            if(xmlStrcasecmp(node->name, (const xmlChar*)"p") == 0){
                p_cnt++;
                // <p><p>
                if ( p_cnt == 2 ){
                    b_content = true;
                }
            } else {
                p_cnt=0;
            }

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