HtmlParser 简单应用

HtmlParser 简介

当今的 Internet 上面有数亿记的网页，越来越多应用程序将这些网页作为分析和处理的数据对象。这些网页多为半结构化的文本，有着大量的标签和嵌套的结构。当我们自己开发一些处理网页的应用程序时，会想到要开发一个单独的网页解析器，这一部分的工作必定需要付出相当的精力和时间。事实上，做为 JAVA 应用程序开发者， HtmlParser 为其提供了强大而灵活易用的开源类库，大大节省了写一个网页解析器的开销。 HtmlParser 是 http://sourceforge.net 上活跃的一个开源项目，它提供了线性和嵌套两种方式来解析网页，主要用于 html 网页的转换(Transformation) 以及网页内容的抽取 (Extraction)。HtmlParser 有如下一些易于使用的特性：过滤器 (Filters)，访问者模式 (Visitors)，处理自定义标签以及易于使用的 JavaBeans。正如 HtmlParser 首页所说：它是一个快速，健壮以及严格测试过的组件；以它设计的简洁，程序运行的速度以及处理 Internet 上真实网页的能力吸引着越来越多的开发者。 本文中就是利用HtmlParser 里提取网页里的链接，实现简易爬虫里的关键部分。HtmlParser 最新的版本是HtmlParser1.6，可以登陆这里下载其源码、 API 参考文档以及 JAR 包。

HtmlParser 基本类库使用
HtmlParser 提供了强大的类库来处理 Internet 上的网页，可以实现对网页特定内容的提取和修改。下面通过几个例子来介绍 HtmlParser 的一些使用。这些例子其中的代码，有部分用在了后面介绍的简易爬虫中。以下所有的代码和方法都在在类 HtmlParser.Test.java 里，这是笔者编写的一个用来测试 HtmlParser 用法的类。
迭代遍历网页所有节点
网页是一个半结构化的嵌套文本文件，有类似 XML 文件的树形嵌套结构。使用HtmlParser 可以让我们轻易的迭代遍历网页的所有节点。清单 3 展示了如何来实现这个功能。

清单 3

[java]  view plain copy

1. // 循环访问所有节点，输出包含关键字的值节点  
2.     public static void extractKeyWordText(String url, String keyword) {  
3.         try {  
4.             //生成一个解析器对象，用网页的 url 作为参数  
5.             Parser parser = new Parser(url);  
6.             //设置网页的编码,这里只是请求了一个 gb2312 编码网页  
7.             parser.setEncoding("gb2312");  
8.             //迭代所有节点, null 表示不使用 NodeFilter  
9.             NodeList list = parser.parse(null);  
10.             //从初始的节点列表跌倒所有的节点  
11.             processNodeList(list, keyword);  
12.         } catch (ParserException e) {  
13.             e.printStackTrace();  
14.         }  
15.     }  
16.   
17.     private static void processNodeList(NodeList list, String keyword) {  
18.         //迭代开始  
19.         SimpleNodeIterator iterator = list.elements();  
20.         while (iterator.hasMoreNodes()) {  
21.             Node node = iterator.nextNode();  
22.             //得到该节点的子节点列表  
23.             NodeList childList = node.getChildren();  
24.             //孩子节点为空，说明是值节点  
25.             if (null == childList)  
26.             {  
27.                 //得到值节点的值  
28.                 String result = node.toPlainTextString();  
29.                 //若包含关键字，则简单打印出来文本  
30.                 if (result.indexOf(keyword) != -1)  
31.                     System.out.println(result);  
32.             } //end if  
33.             //孩子节点不为空，继续迭代该孩子节点  
34.             else   
35.             {  
36.                 processNodeList(childList, keyword);  
37.             }//end else  
38.         }//end wile  
39.     }  

上面的中有两个方法：
private static void processNodeList(NodeList list, String keyword)
该方法是用类似深度优先的方法来迭代遍历整个网页节点，将那些包含了某个关键字的值节点的值打印出来。
public static void extractKeyWordText(String url, String keyword)
该方法生成针对 String 类型的 url 变量代表的某个特定网页的解析器，调用 1中的方法实现简单的遍历。
清单 3 的代码展示了如何迭代所有的网页，更多的工作可以在此基础上展开。比如找到某个特定的网页内部节点，其实就可以在遍历所有的节点基础上来判断，看被迭代的节点是否满足特定的需要。

使用 NodeFilter
NodeFilter 是一个接口，任何一个自定义的 Filter 都需要实现这个接口中的 boolean accept() 方法。如果希望迭代网页节点的时候保留当前节点，则在节点条件满足的情况下返回 true；否则返回 false。HtmlParse 里提供了很多实现了 NodeFilter 接口的类，下面就一些笔者所用到的，以及常用的 Filter 做一些介绍：
对 Filter 做逻辑操作的 Fitler 有：AndFilter，NotFilter ，OrFilter，XorFilter。
这些 Filter 来组合不同的 Filter，形成满足两个 Filter 逻辑关系结果的 Filter。
判断节点的孩子，兄弟，以及父亲节点情况的 Filter 有：HasChildFilter HasParentFilter，HasSiblingFilter。
判断节点本身情况的 Filter 有 HasAttributeFilter：判读节点是否有特定属性；LinkStringFilter：判断节点是否是具有特定模式 (pattern) url 的节点；
TagNameFilter：判断节点是否具有特定的名字；NodeClassFilter：判读节点是否是某个 HtmlParser 定义好的 Tag 类型。在 org.htmlparser.tags 包下有对应 Html标签的各种 Tag，例如 LinkTag，ImgeTag 等。
还有其他的一些 Filter 在这里不一一列举了，可以在 org.htmlparser.filters 下找到。
清单 4 展示了如何使用上面提到过的一些 filter 来抽取网页中的 <a> 标签里的 href属性值，<img> 标签里的 src 属性值，以及 <frame> 标签里的 src 的属性值。

清单4

[java]  view plain copy

1. // 获取一个网页上所有的链接和图片链接  
2.     public static void extracLinks(String url) {  
3.         try {  
4.             Parser parser = new Parser(url);  
5.             parser.setEncoding("gb2312");  
6. //过滤 <frame> 标签的 filter，用来提取 frame 标签里的 src 属性所、表示的链接  
7.             NodeFilter frameFilter = new NodeFilter() {  
8.                 public boolean accept(Node node) {  
9.                     if (node.getText().startsWith("frame src=")) {  
10.                         return true;  
11.                     } else {  
12.                         return false;  
13.                     }  
14.                 }  
15.             };  
16. //OrFilter 来设置过滤 <a> 标签，<img> 标签和 <frame> 标签，三个标签是 or 的关系  
17.      OrFilte rorFilter = new OrFilter(new NodeClassFilter(LinkTag.class), new   
18. NodeClassFilter(ImageTag.class));  
19.      OrFilter linkFilter = new OrFilter(orFilter, frameFilter);  
20.     //得到所有经过过滤的标签  
21.     NodeList list = parser.extractAllNodesThatMatch(linkFilter);  
22.     for (int i = 0; i < list.size(); i++) {  
23.         Node tag = list.elementAt(i);  
24.         if (tag instanceof LinkTag)//<a> 标签   
25.         {  
26.             LinkTag link = (LinkTag) tag;  
27.             String linkUrl = link.getLink();//url  
28.             String text = link.getLinkText();//链接文字  
29.             System.out.println(linkUrl + "**********" + text);  
30.         }  
31.         else if (tag instanceof ImageTag)//<img> 标签  
32.         {  
33.             ImageTag image = (ImageTag) list.elementAt(i);  
34.             System.out.print(image.getImageURL() + "********");//图片地址  
35.             System.out.println(image.getText());//图片文字  
36.         }  
37.         else//<frame> 标签  
38.         {  
39. //提取 frame 里 src 属性的链接如 <frame src="test.html"/>  
40.             String frame = tag.getText();  
41.             int start = frame.indexOf("src=");  
42.             frame = frame.substring(start);  
43.             int end = frame.indexOf(" ");  
44.             if (end == -1)  
45.                 end = frame.indexOf(">");  
46.             frame = frame.substring(5, end - 1);  
47.             System.out.println(frame);  
48.         }  
49.     }  
50. } catch (ParserException e) {  
51.             e.printStackTrace();  
52. }  
53. }  

简单强大的 StringBean
如果你想要网页中去掉所有的标签后剩下的文本，那就是用 StringBean 吧。以下简单的代码可以帮你解决这样的问题：

清单5

[java]  view plain copy

1. StringBean sb = new StringBean();  
2. sb.setLinks(false);//设置结果中去点链接  
3. sb.setURL(url);//设置你所需要滤掉网页标签的页面 url  
4. System.out.println(sb.getStrings());//打印结果  

HtmlParser 提供了强大的类库来处理网页，由于本文旨在简单的介绍，因此只是将与笔者后续爬虫部分有关的关键类库进行了示例说明。感兴趣的读者可以专门来研究一下 HtmlParser 更为强大的类库。