java html转换xml_Html转XML

使用nekohtml进行转化

源程序：

html2xml.java

import org.w3c.dom.Node;

import org.w3c.dom.DocumentFragment;

import org.w3c.dom.html.HTMLDocument;

import org.xml.sax.InputSource;

import org.apache.html.dom.HTMLDocumentImpl;

import org.cyberneko.html.parsers.DOMFragmentParser;

import javax.xml.transform.stream.StreamResult;

import javax.xml.transform.dom.DOMSource;

import javax.xml.transform.Transformer;

import javax.xml.transform.TransformerFactory;

import java.util.Properties;

import java.util.Calendar;

import java.io.File;

import java.io.InputStreamReader;

import java.io.InputStream;

import java.io.FileReader;

import java.net.HttpURLConnection;

import java.net.URL;

public class html2xml {

public static void main(String args[]){

if(args!=null&&args.length>=2){

try {

String path=args[0];

String fromfile=args[1];

String outputfile=getFileName();

if(args.length>2){

outputfile=args[2];

}

boolean b=Boolean.valueOf(fromfile).booleanValue();

html2xml h2x=new html2xml();

DocumentFragment df=h2x.getSourceNode(path,b);

File file=new File(outputfile);

if(file.exists())

file.delete();

h2x.genXmlFile(df,file);

System.out.println("generate "+file.getCanonicalPath()+" successfully!");

} catch (Exception e) {

e.printStackTrace();  //To change body of catch statement use File | Settings | File Templates.

}

}else{

System.out.println("usage:html2xml path fromfile [outputfile]");

System.out.println("html2xml http://www.sina.com.cn false D:/tempfile.xml");

System.out.println("html2xml D:/htmlfile.htm true D:/tempfile.xml");

System.out.println("--");

}

}

public void genXmlFile(Node output,File file) throws Exception,Error{

TransformerFactory tf=TransformerFactory.newInstance();

Transformer transformer=tf.newTransformer();

DOMSource source=new DOMSource(output);

java.io.FileOutputStream fos=new java.io.FileOutputStream(file);

StreamResult result=new StreamResult(fos);

Properties props = new Properties();

props.setProperty("encoding", "GB2312");

props.setProperty("method", "xml");

props.setProperty("omit-xml-declaration", "yes");

transformer.setOutputProperties(props);

transformer.transform(source,result);

fos.close();

}

public DocumentFragment getSourceNode(String path,boolean fromfile) throws Exception,Error{

DOMFragmentParser parser = new DOMFragmentParser();

HTMLDocument document = new HTMLDocumentImpl();

DocumentFragment fragment = document.createDocumentFragment();

if(path!=null&&!path.trim().equals(""))

{

String tmp=path;

if(fromfile){

File input = new File(path);

FileReader fr=new FileReader(input);

InputSource is=new InputSource(fr);

parser.parse(is,fragment);

fr.close();

}else{

URL url = new URL(tmp);

HttpURLConnection con = (HttpURLConnection) url.openConnection();

InputStream inputs = con.getInputStream();

InputStreamReader isr=new InputStreamReader(inputs,"GBK");

InputSource source=new InputSource(isr);

parser.parse(source,fragment);

}

return fragment;

}else{

return null;

}

}

public static String getFileName() throws Exception{

Calendar c=Calendar.getInstance();

String name="tmp"+c.get(Calendar.YEAR)+(c.get(Calendar.MONTH)<9?"0":"")+

(c.get(Calendar.MONTH)+1)+(c.get(Calendar.DAY_OF_MONTH)<10?"0":"")+

c.get(Calendar.DAY_OF_MONTH)+(c.get(Calendar.HOUR_OF_DAY)<10?"0":"")+

c.get(Calendar.HOUR_OF_DAY)+(c.get(Calendar.MINUTE)<10?"0":"")+

c.get(Calendar.MINUTE)+(c.get(Calendar.SECOND)<10?"0":"")+

c.get(Calendar.SECOND)+(c.get(Calendar.MILLISECOND)<10?"0":"")+

(c.get(Calendar.MILLISECOND)<100?"0":"")+c.get(Calendar.MILLISECOND);

return name;

}

}

目录结构：

html2xml

├─classes

├─lib

└─src

在目录html2xml下建立一个批处理文件run.bat，内容为：java -cp "./lib/nekohtml.jar;./lib/xercesImpl.jar;./lib/xml-apis.jar;./lib/commons-logging.jar;./lib/commons-discovery.jar;./lib/saaj.jar;./classes" html2xml %1 %2 %3

使用方法：

1.文件转化，从命令行输入：run D:est.html true D:est.xml，第一个参数是被转化的目标html文件，第二个参数是标志位，文件转化时使用“true”，第三个参数是输出的xml文件，第三个参数若省缺将会产生一个临时文件用于存储输出xml。

2.通过网页地址转换，从命令行输入：run http://www.sina.com.cn false D:sina.xml，第一个参数是网页地址，第二个应该设置为false，第三个参数同上。

由于nekohtml具有较好的容错性，对于大多数情况都能够成功转化，需要注意的是目标网页的html标签存在多个时会发生错误，还有一个也是在使用中发现的，attribute='a'b'，对于这种属性无法解析，而一般是不会出现这种极烂的书写方式。