VC++ 解析 HTML 網頁標籤提取超連結與標題：自製 CWebHost 類別處理相對/絕對路徑、JavaScript、框架頁

雖可透過 MSHTML (IHTMLDocument2::get_links) 取得連結，但為了深入理解解析邏輯、支援特殊格式 (如 url=...、JavaScript 動態生成、相對路徑轉絕對)，本文實作一個純字串分析類別 CWebHost，從 HTML 原始碼提取所有超連結 URL 與連結文字。

類別介面

// 唯一公開介面：建構函式即完成分析
CWebHost(
  const CString& strWebCode,   // 完整 HTML 內容
  vector<HyperLink>& vecURL,   // 輸出：超連結結構陣列
  CString& strBaseURL          // 當前頁面基礎 URL (用於相對路徑轉換)
);

struct HyperLink {
  CString strHyperlink;      // 解析後的絕對 URL
  CString strHyperlinkText;  // 連結文字 (anchor text)
};

內部核心函式流程

1. OnReturnWebContent：主流程入口，依序呼叫各解析函式。
2. OnGetHtmlURL：解析標準 <a href="...">、<area href="...">、<link href="...">。
3. OnGetJumpURL：解析 Meta Refresh、<meta http-equiv="refresh" content="...;url=...">。
4. OnReturnFrameURL：遞迴解析 <frame src="...">、<iframe src="..."> 巢狀頁面。
5. OnAnalyseJavascript：簡易掃描 <script> 區塊，提取 location.href=、window.open( 等動態 URL (已知有誤報/漏報)。
6. OnConversionURL：將相對路徑 (../page.html、/dir/page.html、page.html) 依 strBaseURL 轉為絕對 URL。
7. OnGetLinkText：提取 <a>文字</a> 內容，處理巢狀標籤、實體編碼 ( )。

處理流程圖解

已知限制與改進方向

• JavaScript 解析極其簡易，無法處理混淆/壓縮/動態拼接字串。
• 不支援 CSS background-image: url(...)、@import 等資源連結。
• HTML 容錯能力弱：屬性未加引號、大小寫混雜、跨行標籤可能解析失敗。
• 建議改用 HTML Parser 庫 (如 Gumbo、libxml2、AngleSharp) 或直接使用 MSHTML/WebView2 取得 DOM 樹後遍歷。

編譯環境

• VC 7.1 (VS 2003) / Windows Server 2003
• MFC / STL (vector, string)

原始碼結構

CWebHost.h/cpp       // 主類別
URLStruct.h          // HyperLink 結構定義
// 其餘輔助函式內含於 CWebHost.cpp