htmlParser学习小结

HTMLPARSER学习小结
文章分类:Java编程
htmlparser是个优秀的网页信息抓取工具，下面小结其一些基本的用法：

1 创建parser对象，有两种方式
Parser parser=new Parser(String html)
传入的html
第2种为：
//通过指定URLConnection对象创建Parser对象
Parser parser = new Parser((HttpURLConnection)(new URL(url)).openConnection());
之后就可以进行访问parser中解析好的内容了
2 解析时，有两类方式，visitor方式和filter过滤方式，vistior方式需要遍历每一个节点，
而filter方式则是过滤。

3 visitor方式的例子；
try{
//通过指定URLConnection对象创建Parser对象
Parser parser = new Parser((HttpURLConnection)(new URL(url)).openConnection());
//设置Parser对象的字符编码,一般与网页的字符编码保持一致
parser.setEncoding("GB2312");
//创建LinkFindingVisitor对象
LinkFindingVisitor lvisitor = new LinkFindingVisitor("/");
//查找的链接个数
parser.visitAllNodesWith(lvisitor);
System.out.println("网页中包含/的链接个数:"+lvisitor.getCount());
}catch(Exception ex){
ex.printStackTrace();
}

/** TextExtractingVisitor类的用法举例 */
public static void testTextExtractingVisitor(String url){
try{
//通过指定URLConnection对象创建Parser对象
Parser parser = new Parser((HttpURLConnection)(new URL(url)).openConnection());
//设置Parser对象的字符编码,一般与网页的字符编码保持一致
parser.setEncoding("GB2312");
//创建StringFindingVisitor对象
TextExtractingVisitor visitor = new TextExtractingVisitor();
//去除网页中的所有标签,提出纯文本内容
parser.visitAllNodesWith(visitor);
System.out.println("网页的纯文本内容为:"+visitor.getExtractedText());
}catch(Exception ex){
ex.printStackTrace();
}
}



4 还可以自定义nodevisitor来扩展nodevisitor,重载其中的各方法：
/** 自定义NodeVisitor子类,并重载抽象类NodeVisitor中的相关方法 */
public class MyNodeVisitor extends NodeVisitor {

/** 重载抽象类NodeVisitor的beginParsing方法,解析开始时调用此方法 */
public void beginParsing(){
System.out.println("开始解析HTML内容......");
}

/** 重载抽象类NodeVisitor的finishedParsing方法,解析结束时调用此方法 */
public void finishedParsing(){
System.out.println("整个HTML内容解析完毕!");
}

/** 重载抽象类NodeVisitor的visitTag方法,遇到开始标签时调用此方法 */
public void visitTag(Tag tag){
System.out.println("开始当前标签: "+tag.getText());
}

/** 重载抽象类NodeVisitor的visitEndTag方法,遇到结束标签时调用此方法 */
public void visitEndTag(Tag tag){
System.out.println("结束当前标签: "+ta

g.getText());
}

/** 重载抽象类NodeVisitor的visitStringNode方法,遇到文本节点时调用此方法 */
public void visitStringNode(Text string){
System.out.println("当前文本节点: "+string);
}

/** 重载抽象类NodeVisitor的visitRemarkNode方法,遇到注释时调用此方法 */
public void visitRemarkNode(Remark remark){
System.out.println("当前注释: "+remark);
}

5 使用filter方式过滤
基本用法：
TagNameFilter类用法
//通过指定URLConnection对象创建Parser对象
Parser parser = new Parser((HttpURLConnection)(new URL(url)).openConnection());
//设置Parser对象的字符编码,一般与网页的字符编码保持一致
parser.setEncoding("GB2312");
//创建TagNameFilter实例
NodeFilter filter = new TagNameFilter ("DIV");
//筛选出所有DIV标签节点
NodeList nodes = parser.extractAllNodesThatMatch(filter);
if(nodes!=null) {
for (int i = 0; i < nodes.size(); i++) {
Node textnode = (Node) nodes.elementAt(i);
System.out.println("当前DIV:"+textnode.getText());
}

AndFilter类用法
//通过指定URLConnection对象创建Parser对象
Parser parser = new Parser((HttpURLConnection)(new URL(url)).openConnection());
//设置Parser对象的字符编码,一般与网页的字符编码保持一致
parser.setEncoding("GB2312");
//创建HasAttributeFilter实例
NodeFilter filter1 = new HasAttributeFilter("id");
//创建TagNameFilter实例
NodeFilter innerFilter = new TagNameFilter ("DIV");
//创建HasChildFilter实例
NodeFilter filter2 = new HasChildFilter(innerFilter);
//创建AndFilter实例
NodeFilter filter = new AndFilter(filter1, filter2);
//筛选出所有具有id属性且拥有子节点的所有DIV节点
NodeList nodes = parser.extractAllNodesThatMatch(filter);
if(nodes!=null) {
for (int i = 0; i < nodes.size(); i++) {
Node textnode = (Node) nodes.elementAt(i);
System.out.println("当前DIV:"+textnode.getText());
}
}
StringFilter类用法:
//通过指定URLConnection对象创建Parser对象
Parser parser = new Parser((HttpURLConnection)(new URL(url)).openConnection());
//设置Parser对象的字符编码,一般与网页的字符编码保持一致
parser.setEncoding("GB2312");
//创建StringFilter实例
NodeFilter filter = new StringFilter("陈水扁");
//筛选出所有包含"陈水扁"字符串的所有文本节点
NodeList nodes = parser.extractAllNodesThatMatch(filter);
if(nodes!=null) {
for (int i = 0; i < nodes.size(); i++) {

Node textnode = (Node) nodes.elementAt(i);
System.out.println("包含\"陈水扁\"字符串的文本节点:"+textnode.getText());
}
}