C++如何利用Regex从复杂的HTML中提取所有Meta标签-C++-PHP中文网

别用std::regex解析html中的标签，因其无法处理大小写混用、引号不统一、注释、cdata等html复杂特性；应选用gumbo-parser等专业html解析器确保可靠性。

c++如何利用regex从复杂的html中提取所有meta标签

用 `std::regex` 提取 `<meta>` 标签容易失败，别硬刚

直接用 C++ 标准库的 std::regex 解析 HTML（哪怕只是提取 <meta>）几乎必然出错。HTML 不是正则语言：嵌套、属性引号不统一（"、'、无引号）、注释、CDATA、大小写混用、自闭合写法（<meta ...> 或 <meta ...>）都会让正则崩溃。你看到的“能跑通”的例子，基本只在理想 HTML 片段下有效。

`std::regex` 能勉强应付的边界场景

仅当 HTML 是人工构造、格式严格、无干扰时，才考虑用正则临时应急。比如：所有 <meta> 都是小写、属性全用双引号、无换行、无注释、无嵌套标签。

示例安全模式匹配（仅匹配最简形式）：

std::regex meta_re(R"(<meta>]*?)>)", std::regex_constants::icase);
std::sregex_iterator it(html_str.begin(), html_str.end(), meta_re);
for (; it != std::sregex_iterator(); ++it) {
    std::string attrs = (*it)[1].str(); // 属性部分
}

但以下情况它立刻失效：

<meta http-equiv="Content-Type" content="text/html">（单引号 + 大写）
<meta name="viewport" content="width=device-width">（无引号属性）
<meta itemprop="description" content="<script>alert(1)</script>">（属性值含尖括号）
（被注释包裹）

真正可靠的做法：用轻量 HTML 解析器

C++ 没有内置 HTML 解析器，但有几个成熟、头文件即用、不依赖构建系统的选项：

使用HTML,CSS,JavaScript开发Android应用程序英文文字pdf版附源文件

如果你了解HTML，CSS和JavaScript，您已经拥有所需的工具开发Android应用程序。本动手本书展示了如何使用这些开源web标准设计和建造，可适应任何Android设备的应用程序 - 无需使用Java。您将学习如何创建一个在您选择的平台的Android友好的网络应用程序，然后转换与自由PhoneGap框架到一个原生的Android应用程序。了解为什么设备无关的移动应用是未来的潮流，并开始构建应用程序，提供更

下载

htmlcxx：纯 C++，支持 UTF-8，API 直观，TreeBuilder 可遍历 DOM
gumbo-parser（C 实现，C++ 可调用）：Google 开发，符合 HTML5 规范，容错强，解析结果稳定
libxml2 + XML_PARSE_HTML：需编译链接，但极其健壮，处理畸形 HTML 能力最强

以 gumbo-parser 为例，提取所有 <meta> 的核心逻辑只有几行：

GumboOutput* output = gumbo_parse(html_str.c_str());
GumboNode* root = output->root;
// 递归遍历，检查 node->type == GUMBO_NODE_ELEMENT && node->v.element.tag == GUMBO_TAG_META
gumbo_destroy_output(&kGumboDefaultOptions, output);

它自动处理大小写、引号、自闭合、注释跳过、实体解码——这些全是 std::regex 无法解决的底层问题。