.html文件转换成.txt

@ 思路

@-@ 简要

根据尖括号将文件分隔成字符串，建立一套判断字符串是否为标签的标准，若不为标签则为文本内容，存入结果文件中；

 

@-@ 详述

0. 建立两个哈希表：

哈希表1 unordered_set<string> - 存放“普通标签名字符串”：html, head, body, table, td, br等；

哈希表2 unordered_map<string, bool> - 存放“影响到文本读写的标签”：script, style等（<script></script>中的内容不读取）；

1. 提取标签

读取文件流，从文件首部开始，若遇到“<”，就判断其后的内容是否为标签（因为“<”可能为小于号）：提取“<”后的第一个字符串作为标签名，以空格符号或">"截止；

2. 判定标签

在哈希表1中查找提取到的标签，找到则判定为普通标签名，将指针移到">"之后；

对提取到的标签名，判断其是否在哈希表2中，若在则设置文本的可读状态（如<script>后的文本不读取，</script>后的文本开始读取）；

若根据哈希表1判定不为普通标签，且在文本读取标志皆为true时，将不是标签的字符串都存入字符串缓冲区，写入文本文件；

 

@ code

 Github