C++でHTMLエンティティパーサーを実装する方法

文字列が与えられたとき、HTML構文の特殊文字を通常の文字へ置き換えるHTMLパーサーを設計することを考えます。HTMLエンティティパーサーとは、HTMLコードを入力として受け取り、特殊文字のエンティティをすべて対応する実際の文字に置き換えるパーサーのことです。

まず、対象となる特殊文字とそのエンティティの一覧を確認しましょう。

• 二重引用符：エンティティは "、記号は "
• 単一引用符：エンティティは '、記号は '
• アンパサンド：エンティティは &、記号は &
• 大なり記号：エンティティは >、記号は >
• 小なり記号：エンティティは <、記号は <
• スラッシュ：エンティティは ⁄、記号は /

たとえば、入力が「& is changed but &ambassador; is not.」である場合、出力は「& is changed but &ambassador; is not.」となります。& は有効なエンティティなので変換されますが、&ambassador; は定義されていないため元のまま残る点に注目してください。

アルゴリズムの考え方

この問題は、次の手順で解決できます。

1. 入力文字列をスペースで分割し、トークンの配列 v を作成します。
2. 結果を格納する空文字列 ret を用意します。
3. マップ m を定義し、キーにHTMLエンティティ名、値に対応する特殊文字を登録します。
4. 各トークンについて先頭から走査します。
   • 現在の文字が '&' であれば、セミコロン ';' まで読み進めて1つの候補文字列 temp を組み立てます。
   • temp がマップ m に存在すれば対応する記号に置き換えて ret に追加し、存在しなければ元の文字列のまま追加します。
   • '&' 以外の文字はそのまま ret に追加します。
5. トークン間にはスペースを挿入し、最後に ret を返します。

この方法により、& のような正当なエンティティだけが変換され、&ambassador; のような未定義の文字列は壊されることなく保持されます。

C++による実装例

それでは、実際の実装を見ていきましょう。

#include <bits/stdc++.h>
using namespace std;
class Solution {
public:
    vector<string> split(string& s, char delimiter){
        vector<string> tokens;
        string token;
        istringstream tokenStream(s);
        while(getline(tokenStream, token, delimiter)){
            tokens.push_back(token);
        }
        return tokens;
    }
    void out(vector<string> v){
        for(string s : v) cout << s << endl;
    }
    string entityParser(string text) {
        vector<string> v = split(text, ' ');
        string ret = "";
        map<string, string> m;
        m["&quot;"] = "\"";
        m["&#39;"] = "\'";
        m["&amp;"] = "&";
        m["&gt;"] = ">";
        m["&lt;"] = "<";
        m["&frasl;"] = "/";
        for (int i = 0; i < v.size(); i++) {
            string s = v[i];
            string temp = "";
            int n = v[i].size();
            int k = 0;
            while (k < n) {
                if (v[i][k] == '&') {
                    temp += v[i][k];
                    k++;
                    while (k < n && v[i][k] != ';') {
                        temp += v[i][k];
                        k++;
                    }
                    temp += v[i][k];
                    k++;
                    if (m.count(temp))
                        ret += m[temp];
                    else
                        ret += temp;
                    temp = "";
                }
                else {
                    ret += v[i][k];
                    k++;
                }
            }
            if (temp.size() && m.count(temp)) {
                ret += m[temp];
            }
            else if (temp.size())
                ret += temp;
            if (i != v.size() - 1)
                ret += " ";
        }
        return ret;
    }
};
main(){
    Solution ob;
    cout << (ob.entityParser("&amp; is changed but &amp;ambassador; is not."));
}

実装のポイント

• split 関数では istringstream と getline を使って、区切り文字ごとに文字列を分割しています。
• マップへの登録により、エンティティの判定処理がシンプルな m.count(temp) の1行で済みます。
• セミコロンまで読み込んだ文字列がマップに存在しない場合は、そのまま連結することで元のテキストを保護しています。

入力例

"& is changed but &ambassador; is not."

出力例

& is changed but &ambassador; is not.

まとめ

この記事では、C++を使ってHTMLエンティティパーサーを実装する方法を紹介しました。文字列をトークンに分割し、& から ; までの範囲を抽出してマップで照合するというシンプルなアプローチで、正当なエンティティのみを正確に変換できる点がポイントです。同様の手法は、他のプログラミング言語でも応用できますので、ぜひ参考にしてみてください。