最佳答案

首先，你这个想法还是很不错的，我以前也想这么做过。不过，学习html语言在这里肯定是次要的，主要的还是要学会分析的方法，而不是掌握被分析的内容，你说是吧？如果要用程序抓取网页自动保存到本地，就要会用socket编程，或者学习使用libcurl库，这些都比学html语言有用的多，不做网页抓取的时候，这些知识依然非常有用。而且，不同的网页，内容不同，规律可能也不同。比如你给的那个例子网址，我右键查看了源代码，里面就根本没有所谓的<td>、<tr>标签，即它的表格不是通过这些标签来实现的。所以，让你去看这些标签，就是南辕北辙了。网页分析，说到底还是字符串处理和分析。所以，你如果真的想学，不如好好学一下正则表达式和字符串处理相关的函数，以及函数库，比如tidy库等。正则表达式是用来匹配一类字符串的，方便找规律，也方便处理，你稍微学习一点点就知道有多么的强大，多么的有用了。而且，正则表达式跟语言无关，什么语言都能用得到，学这个不亏的。标准C库中没有正则表达式相关的函数，一般来说C中使用两种正则表达式库，一为POSIX C正则库，二为perl正则库PCRE。相比较而言PCRE要强大些，POSIX C正则库就足够使用。下面，这几个链接里面有网页分析的一些例子，虽然不都是C语言来处理的。但是，思路都是一致的。 所以，说到底，还是正则表达式、正则函数库、字符串处理函数这些才是根本。先说这些，希望对你有所帮助。如果你在学习过程中还有什么问题，欢迎随时交流:)C#的:http://www.jb51.net/article/16618.htmC#的:http://mytiu.blog.163.com/blog/static/1059718452009127112226478/这里还有一段C语言的代码, 是将下载下来的网页源代码处理成没有标签的纯文字文本#include <tidy.h>#include <buffio.h>#include <stdio.h>#include <errno.h>int main(int argc, char **argv ){const char* input = "<title>Foo</title>

Foo!";TidyBuffer output = {0};TidyBuffer errbuf = {0};int rc = -1;Bool ok;TidyDoc tdoc = tidyCreate(); // Initialize "document"printf( "Tidying:\t%s\n", input );ok = tidyOptSetBool( tdoc, TidyXhtmlOut, yes ); // Convert to XHTMLif ( ok )rc = tidySetErrorBuffer( tdoc, &errbuf ); // Capture diagnosticsif ( rc >= 0 )rc = tidyParseString( tdoc, input ); // Parse the inputif ( rc >= 0 )rc = tidyCleanAndRepair( tdoc ); // Tidy it up!if ( rc >= 0 )rc = tidyRunDiagnostics( tdoc ); // Kvetchif ( rc > 1 ) // If error, force output.rc = ( tidyOptSetBool(tdoc, TidyForceOutput, yes) ? rc : -1 );if ( rc >= 0 )rc = tidySaveBuffer( tdoc, &output ); // Pretty Printif ( rc >= 0 ){if ( rc > 0 )printf( "\nDiagnostics:\n\n%s", errbuf.bp );printf( "\nAnd here is the result:\n\n%s", output.bp );}elseprintf( "A severe error (%d) occurred.\n", rc );tidyBufFree( &output );tidyBufFree( &errbuf );tidyRelease( tdoc );return rc;}