Tue 23 September 2025

HTML解析库Gumbo简单使用记录 目录 Gumbo简介 使用记录 1、GumboNode的类型 1、GUMBO_NODE_DOCUMENT 文档节点 2、GUMBO_NODE_ELEMENT 元素节点 3、GUMBO_NODE_TEXT 文本节点 4、GUMBO_NODE_CDATA 5、GUMBO_NODE_COMMENT 6、GUMBO_NODE_WHITESPACE 7、GUMBO_NODE_TEMPLATE 2、简单的使用 1、用于方便一点的查找子节点的 2、用于方便的查找文本子节点的 Gumbo简介# Gumbo是谷歌开源的一个纯C编写的HTML解析库，性能很好，就是用起来比较麻烦。 github地址https://github.com/google/gumbo-parser 还有一个C++封装的版本https://github.com/lazytiger/gumbo-query.git

关于HTML的参考，可见https://developer.mozilla.org/zh-CN/docs/Web/HTML

最近准备写一个爬虫，用于爬取epsg.io上的数据，所以找了这个库用于HTML的解析。其实我这个简单的爬取固定位置的内容，用这个实在是有点杀鸡用牛刀了，直接做字符串搜索会更方便。

使用记录# 关于这个的使用，网上找不到太多的资料。 这里有一个https://blog.csdn.net/fjb2080/article/details/78992851

这个图片上实际已经把相关的关系描述清楚了，我这里只做简单的补充。

1、GumboNode的类型# 对于一个GumboNode结构体对象，需要通过它的GumboNodeType type字段判断其类型后，可根据类型对成员v进行操作。 v是一个union对象，它可以是GumboDocument、GumboElement、GumboText三种类型之一。

1、GUMBO_NODE_DOCUMENT 文档节点# 文档节点表示的是一个完整的html文档，就是从到之间的全部信息。对于v可取GumboDocument类型的成员document。 对于文档节点，其内部包含的元素节点都在GumboVector children中。

2、GUMBO_NODE_ELEMENT 元素节点# 只要是含有标签tag的部分，都是元素节点。这个可以简单的理解为，只要是<标签名>到</标签名>之间的就是一个元素节点的内容(有的元素是单标签的)，元素节点可以有包含嵌套关系，子节点都在GumboVector children中。

Copy Highlighter-hljs / * 用于表示所有HTML元素的结构。 它包含有关标记，属性和子节点的信息。 */ typedef struct { / * GumboNodes数组，包含此元素的子元素。 保存的是GumboNode的指针。 / GumboVector / GumboNode / children;

/* 这个元素的GumboTag(标签，HTML的标签是定义好的)枚举值 / GumboTag tag;

/* 此元素的GumboNamespaceEnum值(表示这个是HTML、SVG还是MATHML)/ GumboNamespaceEnum tag_namespace;

/* * 指向此元素的原始标记文本的GumboStringPiece，直接指向源缓冲区。 * 如果标记是通过算法插入的（例如，或插入），则这将是一个零长度字符串。 / GumboStringPiece original_tag;

/* * 指向此元素的原始结束标记文本的GumboStringPiece。 * 如果以算法方式插入结束标记（例如，关闭自闭标记），则这将是一个零长度字符串。 / GumboStringPiece original_end_tag;

/* 记录元素开始标签在来源字符串中的起始位置。 / GumboSourcePosition start_pos;

/* 记录元素结束标签在来源字符串中的起始位置。 / GumboSourcePosition end_pos;

/ * GumboAttributes数组，按照解析顺序包含此元素标签的属性 * 数组保存的是GumboAttribute的指针 / GumboVector / GumboAttribute / attributes; } GumboElement; 3、GUMBO_NODE_TEXT 文本节点# 文本节点，对于v可取GumboText类型的成员text。 Gumbo在解析的时候，对于\r\n这种都会解析为一个独立的文件节点。

4、GUMBO_NODE_CDATA# CDATA节点是一个比较特殊的节点，这个节点用于传输需要浏览器不做解析，原封不动的当做文本的内容。所以对于v也是取GumboText类型的成员text。

5、GUMBO_NODE_COMMENT# 注释节点，这个用于保存html中的注释，对于这个节点，对于v也是取GumboText类型的成员text。取出来的GumboText对象中的text成员不包含注释分隔符。

6、GUMBO_NODE_WHITESPACE# 这是一个文本节点的特例，文本的内容都是空白字符(空格、TAB、回车)。v也是取GumboText。

7、GUMBO_NODE_TEMPLATE# 模板节点。就是标签