最好的网页解析类库HtmlCleanner

最好的网页解析类库HtmlCleanner
http://edu.codepub.com/2009/1028/16955.php

时间:2009-10-28 09:45:15来源:网络 作者:未知 点击:4次
介绍
介绍

今天给大家推荐一款最好的网页解析类库—HtmlCleaner。至少是目前为止最好的Java解析库。

与HtmlCleaner结缘是在年初的时候，因为一项工作需要解析Html页面，所以我在网上遍寻Html解析库。

网上口碑极佳的是HTML Parser这个库，我试了一下，速度极慢，处理一个比较大的网页需要几百毫秒，更要命的是，有些网页解析不了！

经过千辛万苦，我终于找到了籍籍无名的HtmlCleanner。一见之下，惊为天人！

HtmlCleanner
HtmlCleaner极其短小精悍，源码一共只有260KB，并且速度惊人，只需要10毫秒左右就可以处理完HtmlParser需要300毫秒处理的Html页面。

而且，根据我对网上随机的网页进行的测试，没有一个对付不了的。

打开HtmlCleaner的javadoc，常常的一串接口和类。别怕，那些都不用您操心。我们只需要关心HtmlCleaner这个类就可以了。

HtmlCleaner库的使用极其简便，只需要调用HtmlCleaner类的几个方法即可。

典型的使用过程如下：

HtmlCleaner cleaner = new HtmlCleaner(...); // one of few constructors

cleaner.setXXX(...) // optionally, set cleaner's behaviour

clener.clean(); // calls cleaning process

clean方法就完成了对Html页面的解析。

cleaner.writeXmlXXX(...); // writes resulting XML to string, file or any output stream

// cleaner.createDOM(); // creates DOM of resulting xml

DomSerializer类的实例的createDOM方法可以返回org.w3c.dom.Document对象。不错，这就是Java标准的xml文档的表示。然后，你就可以使用任何第三方库来处理xml文档了。

// cleaner.createJDom(); // creates JDom of resulting xml

你也可以生成JDom对象，用JDom处理。

下面是我用HtmlCleaner写的一个方法

public Document convertHtmlToXML(URL url){

// create an instance of HtmlCleaner

HtmlCleaner cleaner = new HtmlCleaner();



// take default cleaner properties

CleanerProperties props = cleaner.getProperties();

TagNode tagNode=null;

Document document=null;

try {

tagNode = cleaner.clean(url);

document= new DomSerializer(props, true).createDOM(tagNode);

} catch (IOException e) {

// TODO Auto-generated catch block

e.printStackTrace();

} catch (ParserConfigurationException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

return document;

}

得到Document之后，可以使用dom4j等xml处理库进行处理。

HtmlCleanner实现方法
查看HtmlCleanner的源码可以看到，HtmlCleanner的设计思想非常简单，就是使用正则表达式解析Html页面。

而它的数据容器类TagNode也和我设计OXmlEd库的想法类似。也是简单的把XML当做一个树的结构。不过TagNode类要比我的INode接口复杂一些，多了不少东东。我的INode接口内容很少，因为我不关心注释。

我的OXmlEd后来根据HtmlCleaner做了更新，这样，您可以使用OXmlEd库来直接操纵HtmlCleaner解析的Html页面的内容了。但最近很忙，一直没有整理，过几天再上传OXmlEd的新版本吧。OXmlEd库的介绍在
总结
HtmlCleanner库写得非常好，由此可见，一个好的设计思想胜过一切。开源库中良莠不齐，这很正常，HtmlCleaner是我寻获的一把利器，现在转送给诸君