docs/examples/htmltidy.c

   1 /*****************************************************************************
   2  *                                  _   _ ____  _
   3  *  Project                     ___| | | |  _ \| |
   4  *                             / __| | | | |_) | |
   5  *                            | (__| |_| |  _ <| |___
   6  *                             \___|\___/|_| \_\_____|
   7  *
   8  *
   9  * Download a document and use libtidy to parse the HTML.
  10  * Written by Jeff Pohlmeyer
  11  *
  12  * LibTidy => http://tidy.sourceforge.net
  13  *
  14  * gcc -Wall -I/usr/local/include tidycurl.c -lcurl -ltidy -o tidycurl
  15  *
  16  */
  17
  18 #include <stdio.h>
  19 #include <tidy/tidy.h>
  20 #include <tidy/buffio.h>
  21 #include <curl/curl.h>
  22
  23 /* curl write callback, to fill tidy's input buffer...  */
  24 uint write_cb(char *in, uint size, uint nmemb, TidyBuffer *out)
  25 {
  26   uint r;
  27   r = size * nmemb;
  28   tidyBufAppend( out, in, r );
  29   return(r);
  30 }
  31
  32 /* Traverse the document tree */
  33 void dumpNode(TidyDoc doc, TidyNode tnod, int indent )
  34 {
  35   TidyNode child;
  36   for ( child = tidyGetChild(tnod); child; child = tidyGetNext(child) )
  37   {
  38     ctmbstr name = tidyNodeGetName( child );
  39     if ( name )
  40     {
  41       /* if it has a name, then it's an HTML tag ... */
  42       TidyAttr attr;
  43       printf( "%*.*s%s ", indent, indent, "<", name);
  44       /* walk the attribute list */
  45       for ( attr=tidyAttrFirst(child); attr; attr=tidyAttrNext(attr) ) {
  46         printf(tidyAttrName(attr));
  47         tidyAttrValue(attr)?printf("=\"%s\" ",
  48                                    tidyAttrValue(attr)):printf(" ");
  49       }
  50       printf( ">\n");
  51     }
  52     else {
  53       /* if it doesn't have a name, then it's probably text, cdata, etc... */
  54       TidyBuffer buf;
  55       tidyBufInit(&buf);
  56       tidyNodeGetText(doc, child, &buf);
  57       printf("%*.*s\n", indent, indent, buf.bp?(char *)buf.bp:"");
  58       tidyBufFree(&buf);
  59     }
  60     dumpNode( doc, child, indent + 4 ); /* recursive */
  61   }
  62 }
  63
  64
  65 int main(int argc, char **argv )
  66 {
  67   CURL *curl;
  68   char curl_errbuf[CURL_ERROR_SIZE];
  69   TidyDoc tdoc;
  70   TidyBuffer docbuf = {0};
  71   TidyBuffer tidy_errbuf = {0};
  72   int err;
  73   if ( argc == 2) {
  74     curl = curl_easy_init();
  75     curl_easy_setopt(curl, CURLOPT_URL, argv[1]);
  76     curl_easy_setopt(curl, CURLOPT_ERRORBUFFER, curl_errbuf);
  77     curl_easy_setopt(curl, CURLOPT_NOPROGRESS, 0L);
  78     curl_easy_setopt(curl, CURLOPT_VERBOSE, 1L);
  79     curl_easy_setopt(curl, CURLOPT_WRITEFUNCTION, write_cb);
  80
  81     tdoc = tidyCreate();
  82     tidyOptSetBool(tdoc, TidyForceOutput, yes); /* try harder */
  83     tidyOptSetInt(tdoc, TidyWrapLen, 4096);
  84     tidySetErrorBuffer( tdoc, &tidy_errbuf );
  85     tidyBufInit(&docbuf);
  86
  87     curl_easy_setopt(curl, CURLOPT_WRITEDATA, &docbuf);
  88     err=curl_easy_perform(curl);
  89     if ( !err ) {
  90       err = tidyParseBuffer(tdoc, &docbuf); /* parse the input */
  91       if ( err >= 0 ) {
  92         err = tidyCleanAndRepair(tdoc); /* fix any problems */
  93         if ( err >= 0 ) {
  94           err = tidyRunDiagnostics(tdoc); /* load tidy error buffer */
  95           if ( err >= 0 ) {
  96             dumpNode( tdoc, tidyGetRoot(tdoc), 0 ); /* walk the tree */
  97             fprintf(stderr, "%s\n", tidy_errbuf.bp); /* show errors */
  98           }
  99         }
 100       }
 101     }
 102     else
 103       fprintf(stderr, "%s\n", curl_errbuf);
 104
 105     /* clean-up */
 106     curl_easy_cleanup(curl);
 107     tidyBufFree(&docbuf);
 108     tidyBufFree(&tidy_errbuf);
 109     tidyRelease(tdoc);
 110     return(err);
 111
 112   }
 113   else
 114     printf( "usage: %s <url>\n", argv[0] );
 115
 116   return(0);
 117 }