為了搞定HTML，這幾天在學(xué)著用
Tidylib，終于搞明白了，喜滋滋地合并到代碼中一測試，傻眼了－－字符集問題。。。
Tidylib的輸入流似乎只支持const char*, 因此不的不將std::wstring從‘寬字節(jié)’轉(zhuǎn)換為‘多字節(jié)。轉(zhuǎn)換了幾次，時(shí)好時(shí)壞，搞到半夜才發(fā)現(xiàn)自己所用的幾個(gè)測試HTML頁面都各種包含著不同的字符集，于是字符集問題就出來了，也搞死我了～最后一咬牙，一跺腳，老子我不轉(zhuǎn)了，都用‘RAW’數(shù)據(jù)好了，‘寬’到‘多’直接用UTF8了。。。于是就有了下面的代碼。
int CHtmlTidyObject::Tidy(const std::wstring &input, std::wstring &output)
{
int codepage = CP_UTF8;//54936;//CP_UTF8;
int ret = -1;
TidyDoc tdoc = tidyCreate();
if(tidyOptSetBool(tdoc, TidyMark, no) != yes)
return -1;
if(tidyOptSetInt(tdoc, TidyDoctypeMode, TidyDoctypeOmit) != yes)
return -1;
if(tidyOptSetBool(tdoc, TidyHideComments, yes) != yes)
return -1;
if(tidyOptSetInt(tdoc, TidyWrapLen, 0) != yes)
return -1;
//if(tidyOptSetBool(tdoc, TidyMakeClean, yes) != yes)//css
// return -1;
if(tidyOptSetBool(tdoc, TidyUpperCaseTags, yes) != yes)
return -1;
if(tidyOptSetBool(tdoc, TidyHtmlOut, yes) != yes)
return -1;
if(tidySetCharEncoding(tdoc, "raw") != 0)
return -1;
if(tidyOptSetBool(tdoc, TidyShowWarnings, no) != yes)
return -1;
if(tidyOptSetInt(tdoc, TidyShowErrors, 0) != yes)
return -1;
if(tidyOptSetBool(tdoc, TidyForceOutput, yes) != yes)
return -1;
int sz = WideCharToMultiByte(codepage, 0, input.c_str(), input.size(), NULL, 0, NULL, NULL);
if(sz == -1)
return -1;
char* buf = new char[sz + 1];
sz = WideCharToMultiByte(codepage, 0, input.c_str(), input.size(), buf, sz, NULL, NULL);
if(tidyParseString(tdoc, buf) >= 0)
{
//TidyBuffer errbuf = {0};
//tidySetErrorBuffer( tdoc, &errbuf );
if(tidyCleanAndRepair(tdoc) >= 0)
{
//tidyRunDiagnostics( tdoc );
TidyBuffer outbuf = { 0 };
if(tidySaveBuffer(tdoc, &outbuf) >= 0)
{
//std::cout << "OUTPUT->\n" << outbuf.bp << std::endl;
int wsz = MultiByteToWideChar(codepage, 0, (const char*)outbuf.bp, outbuf.size, NULL, 0);
wchar_t* wbuf = new wchar_t[wsz + 1];
wsz = MultiByteToWideChar(codepage, 0, (const char*)outbuf.bp, outbuf.size, wbuf, wsz);
output = wbuf;
delete [] wbuf;
ret = 0;
}
tidyBufFree(&outbuf);
}
//std::cout << "ERROR->\n" << errbuf.bp << std::endl;
//tidyBufFree(&errbuf);
}
delete [] buf;
tidyRelease(tdoc);
return ret;
} 感覺還有問題，但經(jīng)過Tidy處理，TinyHtmlParser確實(shí)能解析原來解不開的HTML數(shù)據(jù)了，就先放著吧，測試看看先～唉，HTML從頭到尾都是最影響LingosHook的部分，早知道應(yīng)該多好好找找穩(wěn)定的Parser，自己造的輪子對路面要求太高了。。。