nekohtml解析html(string或是文件流)

最新推荐文章于 2018-12-06 16:15:39 发布
最新推荐文章于 2018-12-06 16:15:39 发布
阅读量1.9k 收藏 1
点赞数
分类专栏： java
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/meandmyself/article/details/42077803
版权

一、dom解析html

DOMParser parser = new DOMParser();

XMLInputSource source = new XMLInputSource(null, "", null,
new StringReader("<html><head></head><body>"
+ sugg.getSuggContent() + "</body></html>"), "utf-8");
try {
parser.parse(source);
} catch (XNIException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
Document document = parser.getDocument();

String ss = document.getDocumentElement().getTextContent();

二、去除文本中多余的换行

InputStream is = null;
InputStreamReader isr = null;
try {
is = new ByteArrayInputStream(ss.getBytes("utf-8"));//这是关键，不然会出现乱码
isr = new InputStreamReader(is, "utf-8");//编码
} catch (UnsupportedEncodingException e2) {
e2.printStackTrace();
}
BufferedReader br = new BufferedReader(isr);
StringBuffer sb = new StringBuffer();
try {
String line = br.readLine();
while (null != line) {
if (!"".equals(line.trim())) {
sb.append(line + "\r");
}
line = br.readLine();
}
} catch (IOException e1) {
e1.printStackTrace();
}
String fstr = sb.toString();

angx
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
nekohtml-1.9.15.zip
05-04
不知道为啥移动的网络死活在官网下不了。。。 NekoHTML is a simple HTML scanner and tag balancer that enables application programmers to parse HTML documents and access the information using standard XML interfaces. The parser can scan HTML files and "fix up" many common mistakes that human (and computer) authors make in writing HTML documents. NekoHTML adds missing parent elements; automatically closes elements with optional end tags; and can handle mismatched inline element tags. NekoHTML is written using the Xerces Native Interface (XNI) that is the foundation of the Xerces2 implementation. This enables you to use the NekoHTML parser with existing XNI tools without modification or rewriting code.
NekoHtml解析 html 文件
08-10
NULL 博文链接：https://tivonhou.iteye.com/blog/2204060
NekoHTML 学习笔记
热门推荐
kydkong的博客
08-23 1万+
NekoHTML 学习笔记 　　J. Andrew Clark 用Java写了一系列的工具 (Java APIs)，NekoHTML 是其中之一。 　　NekoHTML 是一个简单地HTML扫描器和标签补偿器(tag balancer) ,使得程序能解析HTML文档并用标准的XML接口来访问其中的信息。这个解析器能投扫描HTML文件并“修正”许多作者（人或机器）在编写HTML文档过程中
DOM解析XML（三）
u011984172的专栏
02-11 511
我们接着上一篇继续分析DOM是如何来解析XML文档： import java.io.InputStream; import java.util.ArrayList; import java.util.List; import javax.xml.parsers.DocumentBuilder; import javax.xml.parsers.DocumentBuilderFac
nekohtml包能够解析HTML文件
04-14
NekoHTML是一个简单地HTML扫描器和标签补偿器(tag balancer) ,使得程序能解析HTML文档并用标准的XML接口来访问其中的信息。这个解析器能投扫描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...
Java解析HTML之NekoHTML
04-06
在Java中解析HTML时，一个常用的库是NekoHTML，它是一个开源项目，主要用于构建和解析不完整的、错误的HTML文档。本篇文章将深入探讨NekoHTML的工作原理以及如何在Java中使用它。 NekoHTML是由Apache Software ...
html解析例子，用nekohtml写的
01-15
这里我们关注的是一个使用NekoHTML进行HTML解析的例子。NekoHTML是一个Java库，它为了解析和构建XML和HTML文档提供了便利。这个库特别有用，因为HTML经常存在不合规的情况，而NekoHTML能帮助开发者在这样的环境中...
NekoHtml 解析内容时需要注意的地方
07-26
《NekoHtml解析内容时需要注意的地方》 在深入探讨NekoHtml解析内容的注意事项之前，首先需要理解NekoHtml是什么。NekoHtml是一款开源的HTML解析器，它由Apache Software Foundation旗下的Xerces项目开发，主要用于...
nekohtml解析html
tianya111cy的专栏
07-02 123
nekohtml-1.9.15.jar xercesImpl-2.9.1.jar /**  * 转dom树  * @param html  * @return  */ private Document getDocument(String html) {  InputSource inputSource = new InputSource(new StringReader(html));  ...
NekoHTML校验HTML
06-16
设置解析器参数 　　为了更加精确的控制解析的动作，nekohtml提供了相应的设置函数。如下列： // settings on HTMLConfiguration org.apache.xerces.xni.parser.XMLParserConfiguration config = new org.cyberneko.html.HTMLConfiguration(); config.setFeature("http://cyberneko.org/html/features/augmentations", true); config.setProperty("http://cyberneko.org/html/properties/names/elems", "lower"); // settings on DOMParser org.cyberneko.html.parsers.DOMParser parser = new org.cyberneko.html.parsers.DOMParser(); parser.setFeature("http://cyberneko.org/html/features/augmentations", true); parser.setProperty("http://cyberneko.org/html/properties/names/elems", "lower");nekohtml功能(feature)列表 功能 默认值 描述 http://cyberneko.org/html/features/balance-tags True 是否允许增补缺失的标签。如果要以XML方式操作HTML文件，此值必须为真。此处提供设置功能，为了性能的原因。 http://cyberneko.org/html/features/balance-tags/ignore-outside-content False 是否忽略文档根元素以后的数据。如果为false，<html>和<bod>被忽略，所有的内容都被解析。 http://cyberneko.org/html/features/document-fragment False 解析HTML片段时是否作标签增补。此功能不要用在DOMParser上，而要用在DOMFragmentParser上。 http://apache.org/xml/features/scanner/notify-char-refs False 当遇到字符实体引用（如＆#x20;）是否将(#x20)报告给相应地文档处理器。 http://apache.org/xml/features/scanner/notify-builtin-refs False 当遇到XML内建的字符实体引用（如＆amp;）是否将(amp)报告给相应地文档处理器。 http://cyberneko.org/html/features/scanner/notify-builtin-refs False 当遇到HTML内建的字符实体引用（如＆copy;）是否将(copy)报告给相应地文档处理器。 http://cyberneko.org/html/features/scanner/script/strip-comment-delims False 是否剥掉<script>元素中的<!-- -->等注释符。 http://cyberneko.org/html/features/augmentations False 是否将与HTML事件有关的infoset项包括在解析管道中。 http://cyberneko.org/html/features/report-errors False 是否报告错误。nekohtml属性列表 属性 默认值 值域 描述 http://cyberneko.org/html/properties/filters null XMLDocumentFilter[] 在解析管道的最后按数组顺序追加自定义的处理组件（过滤器），必须为数组类型。 http://cyberneko.org/html/properties/default-encoding Windows-1252 IANA encoding names 默认的HTML文件编码 http://cyberneko.org/html/properties/names/elems upper upper,lower,match 如果整理识别出的元素名称 http://cyberneko.org/html/properties/names/attrs lower upper,lower,no-change 如果整理识别出的属性名称
NekoHTML学习笔记.doc
11-24
NekoHTML学习笔记.doc
nekohtml解析器
12-13
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接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。
nekohtml.jar
09-08
nekohtml.jar 解析html的jar包 非常的实用
jsoup 和nekohtml，htmlparser解析html
zoubf的专栏
03-20 1235
仅以此文章表达介绍下将html解析成纯文本的多种方式  1.jsoup 是一款 Java 的HTML 解析器，可直接解析某个URL地址、HTML文本内容。  可参考：http://www.iteye.com/topic/1010581  Java代码   public  void parse(String urlStr) {       // 返回结果初始化。  
Tidy - 一个把HTML 转成XHTML的工具库[整理]
weixin_34054866的博客
02-09 122
Tidy 最初由Dave Raggett设计，并通过W3C 网站以开放源代码许可协议分发。现在Tidy是由SourceForge上的一群志愿者在维护。 Tidy可以用来解析、格式化HTML，是一个出色的HTML解析引擎，它最初设计的目的是用来自动修正HTML中的错误和松散的标签。 Tidy项目可以访问( http://tidy.sourceforge.net/ )获得，目前最新的一次更新是2008...
HTML脱离文档流分析
weixin_42839354的博客
12-06 270
元素脱离文档里流，即不再在文档流中占据空间，而是处于浮动状态，其他文档流元素将忽略该元素并填补该元素的空间。 脱离文档流有以下几种方法 1.float 使用float脱离文档流时，其他盒子会无视这个元素，但其他盒子内的文本依然会为这个元素让出位置，环绕在周围 例如 &lt;html&gt; &lt;head&gt; &lt;title&gt;脱离文档流&lt;/title&gt; &lt;s...
NekoHTML和JTIDY解析器简介
hi_dzj的专栏
06-11 1145
NekoHTML是一个简单地HTML扫描器和标签补偿器(tag balancer) ,使得程序能解析HTML文档并用标准的XML接口来访问其中的信息。这个解析器能投扫描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。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 Int
java解析html标签
最新发布
01-10
String html = "<html><head><title>NekoHTML Example</title></head>" + "<body><p>NekoHTML is a Java library for HTML parsing.</p></body></html>"; DOMParser parser = new DOMParser(); try { parser....

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值