Парсим страницы, тащим e-mail

Сразу скажу, что эта статейка для программистов на C++. Ходил по форумам и заметил, что народу нужно отпарсить html страницу и вытянуть оттуда все e-mail. Но почти всегда «глас страждущего в пустыне» остается не услышанным – те, кто знают как парсить – не хотят говорить, а те, кто не знают – дают какие-то общие советы, подчастую, не по теме. Решил частично восполнить этот пробел. Способов парсинга несколько: Boost, PCRE, Td1 и др. Пробовал разобраться с ними, но так как я жутко ленивый, то не хватило сил и мотивации, чтобы вникнуть в архитектурно-шизофренические особенности этих библиотек. Поэтому решил, что лучше самому написать алгоритм парсинга. Для этого я использовал связку C++ (MSVC++ 2008) & STL (моя самая любимая библиотека) . Алгоритм прост: находим в строке символ «@», декрементируем позицию влево от «@» до самого первого символа e-mail и фиксируем начало, инкрементируем позицию вправо от «@» до самого последнего символа e-mail и фиксируем конец, копируем символы с начала до конца, выводим на экран готовый e-mail.

#include <windows.h>
#include <stdio.h>
#include <tchar.h>
#include <iostream>

using namespace std;

string ExtractEmail(string &strIN)
{
string tmpStr;
string::size_type idxAt,idxEmailBegin,idxEmailEnd;
idxAt=strIN.find(«@»); //ищем символ «@»
if(idxAt!=string::npos)
{
idxEmailBegin=idxAt;
//ищем самый первый символ e-mail
do
{
idxEmailBegin–;
}while(isalnum(strIN.at(idxEmailBegin)) || strIN.at(idxEmailBegin)==’.’ || strIN.at(idxEmailBegin)==’-');
idxEmailEnd=idxAt;
//ищем самый последний символ e-mail
do
{
idxEmailEnd++;
if(idxEmailEnd>=strIN.size())
return «»;
}while(isalnum(strIN.at(idxEmailEnd)) || strIN.at(idxEmailEnd)==’.’ || strIN.at(idxEmailEnd)==’-');
string email;
//Копируем в пременную «email» все символы
//- с первого по последний
for(UINT i=idxEmailBegin+1; i<idxEmailEnd; i++)
email+=strIN.at(i);
//возвращаем готовый e-mail
return email;
}
else
return «»;
}

int _tmain(int argc, _TCHAR* argv[])
{
//строка для парсинга
string rawT=»<a href= target=_blank>1</a>my.mail-box@gmal.com</td>»;
//получаем e-mail, если он есть
string tmp=ExtractEmail(rawT);
//выводим результат на экран
cout << tmp.c_str() << endl;
return 0;
}

В результате программа выводит: my.mail-box@gmal.com

Я человек жадный $:-) , поэтому этот алгоритм не полный (за полный денюжку платить надо, однако) – находит только самый первый e-mail и дальше не ищет. Также в этом алгоритме нет проверки корректности e-mail. Но если ты, читатель, пишешь на C++ программы более сложные нежели «Hello World!» и знаешь что такое рекурсия, то тебе не составит труда усовершенствовать алгоритм до нужной кондиции

Метки: Boost, C++, Алгоритм, Hello World!, iostream, PCRE, size_type, stdio.h, STL, string::npos, Td1, using namespace std, windows.h