java htmlparser 简单使用入门

   下面对htmlparser 简单介绍下,信息来自百度

htmlparser [1] 是一个纯的 java写的 html（ 标准通用标记语言下的一个应用）解析的库，它不依赖于其它的java库文件，主要用于改造或

提取html。它能超高速解析html，而且不会出错。现在htmlparser最新版本为2.0。

毫不夸张地说，htmlparser就是目前最好的html解析和分析的工具。

无论你是想抓取网页数据还是改造html的内容，用了htmlparser绝对会忍不住称赞。

基本功能

1、信息提取

• 文本 信息抽取，例如对HTML进行有效信息搜索；
• 链接提取，用于自动给页面的链接文本加上链接的标签；
• 资源提取，例如对一些 图片、声音的资源的处理；
• 链接检查，用于检查HTML中的链接是否有效；
• 页面内容的监控。

2、信息转换

• 链接重写，用于修改 页面中的所有 超链接；
• 网页内容拷贝，用于将网页内容保存到本地；
• 内容检验，可以用来过滤网页上一些令人不愉快的字词；
• HTML信息清洗，把本来乱七八糟的HTML信息格式化；
• 转成 XML格式数据。

找了点资料学习了下,将笔记记录下来 官网： http://htmlparser.codeplex.com/

下面使用一个小程序演示下,演示抓取美团上面的文字

发现这些文本都在ul上且ul的样式为filter-strip__list

可以通过Ul找到子元素

附上代码

package com.test;

import java.io.IOException;
import java.net.HttpURLConnection;
import java.net.MalformedURLException;
import java.net.URL;

import org.htmlparser.Node;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.filters.HasAttributeFilter;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;
/**
 * 获取网页内容
 * 
 * @author xuyw
 * @email xyw10000@163.com
 * @date 2013-06-04
 */
public class Test3 {

	public static void main(String[] args) {
		try {
			Parser parser = new Parser((HttpURLConnection) (new URL(
					"http://nc.meituan.com/")).openConnection());
			// TextExtractingVisitor visitor = new TextExtractingVisitor();
			// parser.visitAllNodesWith(visitor);
			// String textInPage = visitor.getExtractedText();
			// System.out.println(textInPage);
			//查找含有filter-strip__list样式的元素
			NodeFilter filter = new HasAttributeFilter("class",
					"filter-strip__list");
			NodeList nodes = parser.extractAllNodesThatMatch(filter);
			System.out.println("------抓取到" + nodes.size() + "条符合条件记录------");
			for (int i = 0; i < nodes.size(); i++) {
				Node node = nodes.elementAt(i);
				System.out.println();
				System.out.println(node.getText());
				NodeList cnode = node.getChildren();
				for (int j = 0; j < cnode.size(); j++) {
					Node tnode = cnode.elementAt(j);
					System.out.println(tnode.toPlainTextString());
				}
				System.out.println();
				System.out.println(node.getText());
			}
		} catch (ParserException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		} catch (MalformedURLException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		} catch (IOException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
	}

}

运行结果

下面简单介绍其他方法

构造函数：
    public Parser ();
    public Parser (Lexer lexer, ParserFeedback fb);
    public Parser (URLConnection connection, ParserFeedback fb) throws ParserException;
    public Parser (String resource, ParserFeedback feedback) throws ParserException;
    public Parser (String resource) throws ParserException;
    public Parser (Lexer lexer);
    public Parser (URLConnection connection) throws ParserException;
    public static Parser createParser (String html, String charset);

HTMLParser将解析过的信息保存为一个树的结构。
Node是信息保存的数据类型基础。
Node中包含的方法有几类：

Node getParent ()--取得父节点
NodeList getChildren ()--取得子节点的列表
Node getFirstChild ()--取得第一个子节点
Node getLastChild ()--取得最后一个子节点
Node getPreviousSibling ()--取得前一个兄弟
Node getNextSibling ()--取得下一个兄弟节点

取得Node内容的函数：

String getText ()--取得文本
String toPlainTextString()--取得纯文本信息。
String toHtml () --取得HTML信息
String toHtml (boolean verbatim)：取得HTML信息
String toString ()--取得字符串信息
Page getPage ()：--取得这个Node对应的Page对象
int getStartPosition ()--取得这个Node在HTML页面中的起始位置
int getEndPosition ()--取得这个Node在HTML页面中的结束位置

用于Filter过滤的函数：

void collectInto (NodeList list, NodeFilter filter)：基于filter的条件对于这个节点进行过滤，符合条件的节点放到list中。

用于Visitor遍历的函数：

void accept (NodeVisitor visitor)：对这个Node应用visitor

void setPage (Page page)：设置这个Node对应的Page对象
void setText (String text)：设置文本
void setChildren (NodeList children)：设置子节点列表

其他函数：

void doSemanticAction ()：执行这个Node对应的操作（只有少数Tag有对应的操作）

Filter类
       对结果进行过滤，取得需要的内容。HTMLParser在org.htmlparser.filters包之内一共定义了16个不同的Filter，也可以分为几类。

判断类Filter：

TagNameFilter --标签过滤
HasAttributeFilter --属性过滤
     有3个构造函数：
                  public HasAttributeFilter ();
                  public HasAttributeFilter (String 属性);
                  public HasAttributeFilter (String 属性, String 值);
                  


HasChildFilter --子元素过滤
HasParentFilter --父元过滤素
HasSiblingFilter --兄弟过滤
IsEqualFilter

逻辑运算Filter：

AndFilter
     可以把两种Filter进行组合
        NodeFilter filterID = new HasAttributeFilter( "id" );
        NodeFilter filterChild = new HasChildFilter(filterA);
        NodeFilter filter = new AndFilter(filterID, filterChild);
NotFilter【类似上面】
OrFilter【类似上面】
XorFilter
       NodeFilter filterID = new HasAttributeFilter( "id" );
       NodeFilter filterChild = new HasChildFilter(filterA);
       NodeFilter filter = new XorFilter(filterID, filterChild);

其他Filter：

NodeClassFilter
              NodeFilter filter = new NodeClassFilter(RemarkNode.class);
              NodeList nodes = parser.extractAllNodesThatMatch(filter);
StringFilter
             用于过滤显示字符串中包含制定内容的Tag。注意是可显示的字符串，不可显示的字符串中的内容（例如注释，链接等等）不会被显示。
             NodeFilter filter = new StringFilter("www.baidu.com");
             NodeList nodes = parser.extractAllNodesThatMatch(filter); 
LinkStringFilter
               用于判断链接中是否包含某个特定的字符串，可以用来过滤出指向某个特定网站的链接。
               NodeFilter filter = new LinkStringFilter("www.baidu.com");
               NodeList nodes = parser.extractAllNodesThatMatch(filter); 
LinkRegexFilter
RegexFilter
CssSelectorNodeFilter

所有的Filter类都实现了org.htmlparser.NodeFilter接口。这个接口只有一个主要函数：
boolean accept (Node node);
各个子类分别实现这个函数，用于判断输入的Node是否符合这个Filter的过滤条件，如果符合，返回true，否则返回false。