Java解析 HTML

一、垂直搜索介绍

1、垂直搜索--即需要抓去大量的网页，分析其中的数据。垂直搜索更着重于正文内容模式分离，数据调整，相关链接分析，是一种结构化分析过程。

2、垂直搜索技术主要分为两个层次：模版级和网页库级

3、模版级是针对网页进行模版设定或者自动生成模版的方式抽取数据，对网页的采集也是针对性的采集，适合规模比较小、信息源少且稳定的需求，优点是快速实施、成本低、灵活性强，缺点是后期维护成本高，信息源和信息量小。

4、网页库级和模版方式最大的区别是对具体网页不依赖，可针对任意正常的网页信息采集信息抽取。缺点是其灵活性差、成本高。

垂直搜索大致需要以下技术：

1、信息采集技术

2、网页信息抽取技术

3、信息的处理技术（重复识别、聚类、比较、分析等）

4、语意相关性分析

5、分词

6、索引

二、使用HttpClient采集页面

1、HTTPClient项目就是专门设计来简化HTTP客户端与服务器进行各种通讯编程。

2、HTTPClient是基于HttpCore实现的一个HTTP/1.1兼容HTTP客户端，它提供了一系列可重用的客户端身份验证、HTTP状态保持、HTTP链接管理module。功能丰富的HTTPClient同时兼具出色的可拓展性和健壮性，目前已经成为了最为流行的JavaHttp客户端组件，为开发Web浏览器、WebService客户端提供了很大的便利。

下载地址： http://hc.apache.org/downloads.cgi

使用HttpClient

一般情况下，使用HttpClient需要以下5个步骤：

1、创建HttpClient的实例

2、创建某种连接方法的实例，在这里是最常见的是Get和Post

3、调用第一步中创建好的HttpClient实例的execute方法，得到执行结果

4、释放连接

5、对得到后的内容进行处理

下面来看两个抓去网页的实例

1、抓取搜索后的页面然后保存

package com.qianyan.test;  
  
import java.io.BufferedReader;  
import java.io.File;  
import java.io.FileWriter;  
import java.io.IOException;  
import java.io.InputStream;  
import java.io.InputStreamReader;  
  
import org.apache.http.HttpEntity;  
import org.apache.http.HttpResponse;  
import org.apache.http.client.ClientProtocolException;  
import org.apache.http.client.HttpClient;  
import org.apache.http.client.methods.HttpGet;  
import org.apache.http.impl.client.DefaultHttpClient;  
  
public class TestHttpClient {  
  
    public static void main(String[] args) throws ClientProtocolException, IOException {  
        HttpClient httpClient = new DefaultHttpClient();  
        HttpGet httpGet = new HttpGet("http://www.baidu.com/s?wd=java");  
        HttpResponse response = httpClient.execute(httpGet);  
        HttpEntity entity = response.getEntity();  
  
        InputStream ins = entity.getContent();  
        BufferedReader reader = new BufferedReader(new InputStreamReader(ins));  
        FileWriter writer = new FileWriter(new File("E:/baidu.htm"));  
  
        String strLine = reader.readLine();  
        while (null != strLine) {  
            writer.write(strLine);  
            strLine = reader.readLine();  
        }  
        writer.close();  
        ins.close();  
        reader.close();  
        httpClient.getConnectionManager().shutdown();  
        System.out.println("网页生成完毕！");  
    }  
}

1、抓取搜索后的页面打印出来

package com.qianyan.test;  
  
import org.apache.http.HttpEntity;  
import org.apache.http.HttpResponse;  
import org.apache.http.client.HttpClient;  
import org.apache.http.client.methods.HttpGet;  
import org.apache.http.impl.client.DefaultHttpClient;  
import org.apache.http.util.EntityUtils;  
  
public class TestHttpClient2 {  
  
    public static void main(String[] args) {  
        HttpClient httpClient = new DefaultHttpClient();    
        try {    
                
            //创建HttpGet    
            HttpGet httpGet = new HttpGet("http://www.ifeng.com");    
            System.err.println("executing request " + httpGet.getURI());    
            //执行get请求    
            HttpResponse response = httpClient.execute(httpGet);    
            //获取响应实体    
            HttpEntity entity = response.getEntity();    
            System.err.println("======================================================");    
            //打印响应状态    
            System.out.println(response.getStatusLine());    
            if (entity != null) {    
                //打印响应内容的长度    
            
                System.out.println("Response content lenght:"    
                        + entity.getContentLength());    
                String content = EntityUtils.toString(entity);    
                    
                //解决HttpClient获取中文乱码 ，用String对象进行转码    
                System.out.println("Response content:"    
                        + new String(content.getBytes("ISO-8859-1"),"UTF-8"));    
            }    
            System.err.println("==========================================================");    
        } catch (Exception e) {    
            // TODO: handle exception    
        }finally{    
            //关闭连接，释放资源    
            httpClient.getConnectionManager().shutdown();    
        }    
    }  
}  

三、使用JTidy

1、Tidy是W3C用来解析网页的一个软件包，可以方便地将HTML文档转化为符合XML标准的文档，由于XML可以方便地使用XSLT技术对内容进行抽取，所以使用Tidy配合XSLT可以方便地将各种网页的内容抽取出来，保存成我们需要的格式。

2、通过JTidy可以方便地将标准的HTML网页转换为XML的DOM对象，然后，通过XPath和XSTL将需要的内容抽取出来。

3、下载地址：http://sourceforge.net/projects/jtidy

4、JTidy的代码实现iew plain

package com.qianyan.test;  
  
import java.io.File;  
import java.io.FileInputStream;  
import java.io.FileOutputStream;  
import java.io.InputStreamReader;  
  
import org.w3c.dom.Document;  
import org.w3c.tidy.Tidy;  
  
public class TestJTidy {  
  
    public static void main(String[] args) throws Exception {  
        FileInputStream fis = new FileInputStream(new File("E:/baidu.htm"));  
        InputStreamReader isr = new InputStreamReader(fis, "GBK");  
          
        FileOutputStream fos = new FileOutputStream(new File("E:/baidu.xml"));  
        Tidy tidy = new Tidy();  
        tidy.setXmlTags(true);  
        Document doc = tidy.parseDOM(isr, null);  
        tidy.pprint(doc, fos);  
        fos.close();  
        fis.close();  
        isr.close();  
    }  
} 

四、使用Nekohtml

1、Nekohtml是一个Java语言的HTML扫描器和标签补全器（tag balancer），使得程序能解析HTML文档并用标准的XML借口来访问其中的信息。这个解析器能够扫描HTML文件并“修正”许多作者（人或机器）在编写HTML文档过程中常犯的错误。

2、Nekohtml能增补缺失的父元素、自动用结束标签关闭相应的元素，以及不匹配的内嵌元素标签。

NekoHTML的开发使用了Xerces Native Interface（XNI），后者是Xerces2的实现基础。

3、下载地址：http://nekohtml.sourceforge.net/index.html

4、代码实现：

package com.qianyan.test;  
  
import java.io.BufferedReader;  
import java.io.FileReader;  
  
import org.cyberneko.html.parsers.DOMParser;  
import org.w3c.dom.Document;  
import org.w3c.dom.Element;  
import org.w3c.dom.Node;  
import org.w3c.dom.NodeList;  
import org.xml.sax.InputSource;  
  
public class TestNekoHTML {  
      
    public static String textExtractor(Node root){  
           //若是文本的话，直接返回  
           if (root.getNodeType() == Node.TEXT_NODE) {  
            return root.getNodeValue().trim();  
           }  
           if(root.getNodeType() == Node.ELEMENT_NODE) {  
            Element elmt = (Element) root;  
            //抛弃脚本  
            if (elmt.getTagName().equals("STYLE")  
              || elmt.getTagName().equals("SCRIPT")  
              ||elmt.getTagName().equals("BR"))  
             return "";  
             
            NodeList children = elmt.getChildNodes();  
            StringBuilder text = new StringBuilder();  
            for (int i = 0; i < children.getLength(); i++) {  
             text.append(textExtractor(children.item(i)));  
            }  
            return text.toString();  
           }  
           //对其他类型的节点，返回空值  
           return "";  
        }  
      
    /** 
     * @param args 
     * @throws Exception  
     */  
    public static void main(String[] args) throws Exception {  
        DOMParser parser=new DOMParser();  
        BufferedReader reader=new BufferedReader(new FileReader("e:/baidu1.htm"));  
        parser.parse(new InputSource(reader));  
        Document doc=parser.getDocument();  
        Node body=doc.getElementsByTagName("body").item(0);  
        String str=textExtractor(body);  
        System.out.println(str);  
          
    }  
  
}  

五、使用HTMLParser

1、HTML Parser是一个对HTML进行分析的快速实时的解析器。

2、用法：

1）Visitor

2)）Filter

3、下载地址：http://htmlparser.sourceforget.net/

4、代码实现：

package com.qianyan.test;  
  
import org.htmlparser.Node;  
import org.htmlparser.NodeFilter;  
import org.htmlparser.Parser;  
import org.htmlparser.Tag;  
import org.htmlparser.filters.NodeClassFilter;  
import org.htmlparser.filters.OrFilter;  
import org.htmlparser.filters.TagNameFilter;  
import org.htmlparser.tags.ImageTag;  
import org.htmlparser.tags.InputTag;  
import org.htmlparser.tags.LinkTag;  
import org.htmlparser.tags.OptionTag;  
import org.htmlparser.tags.SelectTag;  
import org.htmlparser.util.NodeList;  
import org.htmlparser.util.ParserException;  
import org.htmlparser.visitors.NodeVisitor;  
import org.htmlparser.visitors.ObjectFindingVisitor;  
import org.junit.Ignore;  
import org.junit.Test;  
  
public class TestHtmlParser {  
  
    /** 
     * 测试ObjectFindVisitor的用法 
     */  
    @Test  
//  @Ignore  
    public void testImageVistor() {  
        try {  
            ImageTag imgLink;  
            ObjectFindingVisitor visitor = new ObjectFindingVisitor(  
                    ImageTag.class);  
            Parser parser = new Parser();  
            parser.setURL("http://www.baidu.com");  
            parser.setEncoding(parser.getEncoding());  
            parser.visitAllNodesWith(visitor);  
            Node[] nodes = visitor.getTags();  
  
            for (int i = 0; i < nodes.length; i++) {  
                imgLink = (ImageTag) nodes[i];  
                StringBuilder sb = new StringBuilder();  
                sb.append(" ImageURL = " + imgLink.getImageURL());  
                sb.append("---- ImageLocation = " + imgLink.extractImageLocn());  
                sb.append("--- SRC = " + imgLink.getAttribute("SRC"));  
                System.out.println(sb.toString());  
  
            }  
        } catch (Exception e) {  
            e.printStackTrace();  
        }  
    }  
  
    /** 
     * 测试NodeVisitor的用法，遍历所有节点 
     */  
    @Test  
    @Ignore  
    public void testVisitorAll() {  
        try {  
            Parser parser = new Parser();  
            parser.setURL("http://www.baidu.com");  
            parser.setEncoding(parser.getEncoding());  
            NodeVisitor visitor = new MyNodeVisitor();  
            parser.visitAllNodesWith(visitor);  
        } catch (ParserException e) {  
            e.printStackTrace();  
        }  
    }  
  
    /** 
     * 测试NodeClassFilter用法 
     */  
    @Test  
    @Ignore  
    public void testLinkTag(){  
        try{  
            NodeFilter filter = new NodeClassFilter(LinkTag.class);  
            Parser parser = new Parser();  
            parser.setURL("http://www.baidu.com");  
            parser.setEncoding(parser.getEncoding());  
            NodeList list = parser.extractAllNodesThatMatch(filter);  
            for(int i = 0; i < list.size(); i++){  
                LinkTag node = (LinkTag) list.elementAt(i);  
                System.out.println("Link is :" + node.extractLink());  
            }  
        }catch(Exception e){  
            e.printStackTrace();  
        }  
    }  
      
    /** 
     * 测试TagNameFilter用法 
     */  
    @Test  
    @Ignore  
    public void testNodeFilter(){  
        try{  
            NodeFilter filter = new TagNameFilter("IMG");  
            Parser parser = new Parser();  
            parser.setURL("http://www.baidu.com");  
            parser.setEncoding(parser.getEncoding());  
            NodeList list = parser.extractAllNodesThatMatch(filter);  
            for(int i = 0; i < list.size(); i++){  
                System.out.println(" " + list.elementAt(i).toHtml());  
            }  
        }catch(Exception e){  
            e.printStackTrace();  
        }  
    }  
      
    /** 
     * 测试OrFilter的用法 
     */  
    @Test  
    @Ignore  
    public void testOrFliter(){  
        NodeFilter inputFilter = new NodeClassFilter(InputTag.class);  
        NodeFilter selectFilter = new NodeClassFilter(SelectTag.class);  
        NodeList  nodeList = null;  
        try{  
            Parser parser = new Parser();  
            parser  
            .setInputHTML("<head><title>OrFilter Test</title>"  
            + "<link href=http://www.baidu.com/test01/css.css’ text=’text/css’ rel=’stylesheet’ />"  
            + "<link href=http://www.baidu.com/test02/css.css’ text=’text/css’ rel=’stylesheet’ />"  
            + "</head>"  
            + "<body>"  
            + "<input type=’text’ value=’text1′ name=’text1′/>"  
            + "<input type=’text’ value=’text2′ name=’text2′/>"  
            + "<select><option id=’1′>1</option><option id=’2′>2</option><option id=’3′>3</option></select>"  
            + "<a href='http://www.baidu.com/'>baidu.com</a>"  
            + "</body>");  
              
            parser.setEncoding(parser.getEncoding());  
            OrFilter lastFilter = new OrFilter();  
            lastFilter.setPredicates(new NodeFilter[]{selectFilter, inputFilter});  
            nodeList = parser.parse(lastFilter);  
            for(int i = 0; i <= nodeList.size(); i++){  
                if(nodeList.elementAt(i) instanceof InputTag){  
                    InputTag tag = (InputTag)nodeList.elementAt(i);  
                    System.out.println("OrFilter tag name is :" + tag.getTagName()  
                            + " ,tag value is:" + tag.getAttribute("value"));  
                }  
                if(nodeList.elementAt(i) instanceof SelectTag){  
                    SelectTag tag = (SelectTag)nodeList.elementAt(i);  
                    NodeList list = tag.getChildren();  
                    for(int j = 0; j < list.size(); j++){  
                        OptionTag option = (OptionTag)list.elementAt(j);  
                        System.out.println("OrFilter Option"  
                            + option.getOptionText());  
                    }  
                }  
            }  
        }catch(Exception e){  
            e.printStackTrace();  
        }  
    }  
  
}  
  
/** 
 * 内部实现了NodeVisitor下的visitTag方法 
 * @author Administrator 
 * 
 */  
class MyNodeVisitor extends NodeVisitor {  
    public void visitTag(Tag tag) {  
        System.out  
                .println("Tag name is :" + tag.getTagName()  
                        + "--- Class is :" + tag.getClass() + "---"  
                        + tag.getText());  
    }  
} 

使用htmlparser 获得页面中的所有超链接

import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.filters.TagNameFilter;
import org.htmlparser.tags.LinkTag;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;
import org.htmlparser.visitors.HtmlPage;
public class ParserHtmlPage {
    public NodeList parser(String url) throws ParserException{
        /**根据url创建parser对象,   || Parser parser = Parser.createParser(url,encoding)**/
        Parser parser =  new Parser(url);
       
        /**设置编码，必须与url编码一样，否则挂掉 **/
        parser.setEncoding("utf-8");
       
        /** 构建一个html页面对象 **/
        HtmlPage htmlPage = new HtmlPage(parser);
        parser.visitAllNodesWith(htmlPage);
       
        /** 获取body下面所有的节点 **/
        NodeList list = htmlPage.getBody();
       
        /** 建立一个filter，用于过滤节点 **/
        NodeFilter filter = new TagNameFilter("A");
       
        /** 得到过滤后的节点 **/
        list = list.extractAllNodesThatMatch(filter, true);
       
       
        for(int c =0; c < list.size(); c ++){
                LinkTag linkTag = (LinkTag) list.elementAt(c);
                System.out.println("["+linkTag.getStringText()+"]"+linkTag.getAttribute("href"));//取得href属性的值
                //System.out.println(linkTag.getStringText());//取得链接的 文本
        }
        return list;
    }
   
    public static void main(String[] args) throws ParserException {
       ParserHtmlPage pp = new ParserHtmlPage();
       pp.parser("http://www.baidu.com");
    }
}