这次主要演示下,如何迭代一个Node结点的所有根子结点。
首先 ,先来看下需要解析的html页面的内容,该文件命名为htmlparser.html,详细内容如下所示(该页面以后将会多次使用):
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312" />
<title>百度-title</title>
</head>
<body>
<!-- 注意:换行符对解析的影响! -->
<table>
<tr>
<td>
td-c1
</td>
</tr>
<tr>
<td>
td-c2
</td>
</tr>
</table>
<table><tr><td>td-a1</td></tr><tr><td>td-a2</td></tr></table>
<table><tr><td>td-b1</td></tr><tr><td>td-b2</td></tr></table>
</body>
</html>
注 :由于页面采用的url方式访问,所以要先用myeclipse建立个空的web工程,然后把该页面放到该工程下,部署该工程后,启动tomcat即可。接下来就可以使用下面的代码来进行解析了。
接着 ,来看下具体解析的例子,先把例子运行起来,然后我们再来分析结果,详细代码如下:
package com.javaeye.suo.htmlparser.samples;
import org.htmlparser.Node;
import org.htmlparser.Parser;
import org.htmlparser.util.NodeIterator;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;
import com.javaeye.suo.htmlparser.HtmlParserUtils;
import com.javaeye.suo.htmlparser.UrlToStringUtil;;
public class IteratorDemo {
/**
* 迭代一个Node结点的所有根子结点
* @param parser
*/
public void listAll(Parser parser) {
try {
NodeIterator nodeIterator = parser.elements();
while( nodeIterator.hasMoreNodes()) {
System.out.println("======================================");
Node node = nodeIterator.nextNode();
System.out.println("getText():" + node.getText());
System.out.println("toHtml():" + node.toHtml());
}
} catch (ParserException e) {
e.printStackTrace();
}
}
public static void main(String[] args) {
String urlStr = "http://localhost:8080/HtmlParser/htmlparser.html";
//HtmlParserUtils类为自己提炼的一个公用类,详细代码将会在后面提供。
Parser parser = HtmlParserUtils.getParserWithUrlConn(urlStr, "utf-8");
IteratorDemo it = new IteratorDemo();
it.listAll(parser);
}
}
运行结果 :
1、===============================================
getText():!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"
toHtml():<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
2、===============================================
getText():
toHtml():
3、===============================================
getText():html xmlns="http://www.w3.org/1999/xhtml"
toHtml():<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312" />
<title>百度-title</title>
</head>
<body>
<div id="outter">
<div id="inner">
<!--这是注释-->
百度-div-inner
<a href="http://www.baidu.com">百度-A</a>
</div>
百度-div-outter
</div>
<!-- 注意:换行符对解析的影响! -->
<table>
<tr>
<td>
td-c1
</td>
</tr>
<tr>
<td>
td-c2
</td>
</tr>
</table>
<table><tr><td>td-a1</td></tr><tr><td>td-a2</td></tr></table>
<table><tr><td>td-b1</td></tr><tr><td>td-b2</td></tr></table>
</body>
</html>
分析 :
这个demo的目的主要是让大家对htmlparser包有个初步的认识,所以代码比较简单。另外,这里有些需要注意的方法,如下:
1、node.getText()返回该结点标签的内容,也就是尖括号<>内的内容,包括了标签的属性。
2、大家仔细观察第二个node.getText()输出,会发现这里输出的内容都是空白,这是因为htmlparser在解析html时,对所有换行符也进行了解析,所以要特别注意,这点尤其在使用node.getFirstChild()等方法时需要注意。