java读取.html文件并获取数据

最新推荐文章于 2024-01-28 19:15:48 发布
最新推荐文章于 2024-01-28 19:15:48 发布
阅读量1.4w 收藏 34
点赞数 4
分类专栏： Java学习 文章标签： html java 前端
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/weixin_43407520/article/details/123043024
版权

jar包导入

		<dependency>
            <groupId>org.jsoup</groupId>
            <artifactId>jsoup</artifactId>
            <version>1.8.3</version>
        </dependency>

代码实现

	  String filePath = "D:\\工作文档\\国民经济行业分类\\报告_test.html";
      //读取.html文件为字符串
      String htmlStr = toHtmlString(new File(filePath));
      //解析字符串为Document对象
      Document doc = Jsoup.parse(htmlStr);
      //获取body元素，获取class="fc"的table元素
      Elements table = doc.body().getElementsByClass("fc");
      //获取tbody元素
      Elements children = table.first().children();
      //获取tr元素集合
      Elements tr = children.get(0).getElementsByTag("tr");
      //遍历tr元素，获取td元素，并打印
      for(int i=0; i<tr.size(); i++){
          Element e1 = tr.get(i);
          Elements td = e1.getElementsByTag("td");
          for(int j=0; j<td.size(); j++){
              String value = td.get(j).text();
              System.out.print("  "+value);
          }
          System.out.println();
      }

/**
 *  读取本地html文件里的html代码
 * @return
 */
public static String toHtmlString(File file) {
    // 获取HTML文件流
    StringBuffer htmlSb = new StringBuffer();
    try {
        BufferedReader br = new BufferedReader(new InputStreamReader(
                new FileInputStream(file), "unicode"));
        while (br.ready()) {
            htmlSb.append(br.readLine());
        }
        br.close();
        // 删除临时文件
        //file.delete();
    } catch (FileNotFoundException e) {
        e.printStackTrace();
    } catch (IOException e) {
        e.printStackTrace();
    }
    // HTML文件字符串
    String htmlStr = htmlSb.toString();
    // 返回经过清洁的html文本
    return htmlStr;
}

打印结果

在这里插入图片描述

Document属性及方法介绍

1、对象的属性

1.document.title //设置文档的标题（HTML的title标签）
2.document.bgColor //设置背景页面的颜色
3.document.fgColor //设置前景色（文本颜色）
4.documen.URL //设置URL属性在同一个窗口打开其他页面
5.document.linkColor //未点击过的链接颜色
6.document.cookie //设置和读出cookie
7.document.fileSize //设置文件大写，（注：只读属性）
8.document.charset //设置字符集
9.document.alinkColor //激活链接颜色（注：焦点在链接上）
10.document.vlinkColor //已点击过的链接颜色
11.document.fileCreatedData //文件创建日期（注：只读属性）
12.document.ModifiedDate //文件修改日期（注：只读属性）

2、常用的对象的方法

1.document.write() //动态向页面添加内容
2.document.createElement(Tag) //创建一个html标签对象
3.document.getElementById(ID) //获得指定Id的对象
4.document.getElementByClassName(className) //获得指定class值的对象（数组）
5.document.getElementByTagName（TagName） //获得指定的tag对象
6.document.body.appendChild(Tag) //向body中添加创建的新的标签对象
7.document.getElementByName(Name) //获得指定的Name值的对象

HTML测试文件

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=unicode">
<style>
.AlignLeft { text-align: left; }
.AlignCenter { text-align: center; }
.AlignRight { text-align: right; }
body { font-family: sans-serif; font-size: 11pt; }
td { vertical-align: top; padding-left: 4px; padding-right: 4px; }

tr.SectionGap td { font-size: 4px; border-left: none; border-top: none; border-bottom: 1px solid Black; border-right: 1px solid Black; }
tr.SectionAll td { border-left: none; border-top: none; border-bottom: 1px solid Black; border-right: 1px solid Black; }
tr.SectionBegin td { border-left: none; border-top: none; border-right: 1px solid Black; }
tr.SectionEnd td { border-left: none; border-top: none; border-bottom: 1px solid Black; border-right: 1px solid Black; }
tr.SectionMiddle td { border-left: none; border-top: none; border-right: 1px solid Black; }
tr.SubsectionAll td { border-left: none; border-top: none; border-bottom: 1px solid Gray; border-right: 1px solid Black; }
tr.SubsectionEnd td { border-left: none; border-top: none; border-bottom: 1px solid Gray; border-right: 1px solid Black; }
table.fc { border-top: 1px solid Black; border-left: 1px solid Black; width: 100%; font-family: monospace; font-size: 10pt; }
td.DataItemHeader { color: #000000; background-color: #FFFFFF; background-color: #E7E7E7; padding-top: 8px; }
td.DataItemInsigDiff { color: #000000; background-color: #EEEEFF; }
td.DataItemInsigOrphan { color: #000000; background-color: #FAEEFF; }
td.DataItemNum { color: #696969; background-color: #F0F0F0; }
td.DataItemSame { color: #000000; background-color: #FFFFFF; }
td.DataItemSigDiff { color: #000000; background-color: #FFE3E3; }
td.DataItemSigOrphan { color: #000000; background-color: #F1E3FF; }
.DataSegInsigDiff { color: #0000FF; }
.DataSegSigDiff { color: #FF0000; }
</style>
<title>国民经济行业分类比较</title>
</head>
<body>
国民经济行业分类比较<br/>
已产生: 2022/2/16 14:00:55<br/>
&nbsp; &nbsp;
<br/>
模式:&nbsp; 全部 &nbsp;
<br/>
左边文件: D:\工作文档\国民经济行业分类\Eleasing-国民经济行业分类 (2).xlsx &nbsp;
<br/>
右边文件: D:\工作文档\国民经济行业分类\人行-国民经济分类.xlsx &nbsp;
<br/>
<table class="fc" cellspacing="0" cellpadding="0">
<tr class="SectionAll">
<td class="DataItemHeader">1:</td>
<td class="DataItemHeader">2:</td>
<td class="DataItemHeader">&nbsp;</td>
<td class="DataItemHeader">1:</td>
<td class="DataItemHeader">2:</td>
</tr>
<tr class="SectionMiddle">
<td class="DataItemSame AlignLeft">A0111</td>
<td class="DataItemSame AlignLeft">稻谷种植</td>
<td class="AlignCenter">=</td>
<td class="DataItemSame AlignLeft">A0111</td>
<td class="DataItemSame AlignLeft">稻谷种植</td>
</tr>
<tr class="SectionMiddle">
<td class="DataItemSame AlignLeft">A0112</td>
<td class="DataItemSame AlignLeft">小麦种植</td>
<td class="AlignCenter">=</td>
<td class="DataItemSame AlignLeft">A0112</td>
<td class="DataItemSame AlignLeft">小麦种植</td>
</tr>
<tr class="SectionMiddle">
<td class="DataItemSigOrphan AlignLeft"><span class="DataSegSigDiff">T9600</span></td>
<td class="DataItemSigOrphan AlignLeft"><span class="DataSegSigDiff">国际组织</span></td>
<td class="AlignCenter">+-</td>
<td class="DataItemSame AlignLeft">&nbsp;</td>
<td class="DataItemSame AlignLeft">&nbsp;</td>
</tr>
<tr class="SectionMiddle">
<td class="DataItemSame AlignLeft">&nbsp;</td>
<td class="DataItemSame AlignLeft">&nbsp;</td>
<td class="AlignCenter">-+</td>
<td class="DataItemSigOrphan AlignLeft"><span class="DataSegSigDiff">T9700</span></td>
<td class="DataItemSigOrphan AlignLeft"><span class="DataSegSigDiff">国际组织</span></td>
</tr>
<tr class="SectionEnd">
<td class="DataItemSame AlignLeft">代码</td>
<td class="DataItemSame AlignLeft">中文名称</td>
<td class="AlignCenter">=</td>
<td class="DataItemSame AlignLeft">代码</td>
<td class="DataItemSame AlignLeft">中文名称</td>
</tr>
</table>
<br/>
</body>
</html>

参考文档：
java读取本地html文本
document对象常用的属性和方法

亭子下的李子
关注
  • 4
    点赞
  • 踩
  • 34
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Java 获取Html文本中的img标签下src中的内容方法
08-27
今天小编就为大家分享一篇Java 获取Html文本中的img标签下src中的内容方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
JAVA读取远程网页文件并保存本地
09-23
JAVA读取远程网页文件并保存本地 从远程URL地址获取网页文件下载到本地 这个方法可以生成静态HTML文件使用！
【高效开发工具系列】Java读取Html
最新发布
檀越的博客
01-28 4441
有许多情况下，你可能需要使用 Java 解析 HTML。当你需要从网页中提取特定数据时，例如爬取网页内容并提取标题、链接、表格数据等。HTML 解析是必要的，因为它使你能够以结构化的方式访问和提取所需的信息。如果你有一些包含 HTML 标记的文本数据，你可能希望将其清理并转换为纯文本或其他格式。HTML 解析器可以帮助你处理这些标记，提取文本内容。在开发 Web 爬虫或抓取工具时，HTML 解析是关键的。你需要解析从网页获取的 HTML 内容，从中提取有用的信息，并进行进一步的处理和存储。
traprange:（Java）从PDF文件提取表格内容的方法
05-05
TrapRange：一种提取PDF文件中的表内容的方法 资料来源： : 更新 从命令行运行。 键入java -jar traprange.latest.jar -h获得帮助，或查看文件test-command-line.sh示例 介绍 表数据结构是文档中最重要的数据结构之一，尤其是从企业系统中导出数据时，数据通常采用表格式。 有几种数据文件格式，通常用于存储表格内容，例如CSV，文本和pdf。 对于前两种格式，只需打开文件，循环浏览并使用适当的分隔符拆分单元格，就可以非常简单地进行操作。 执行此操作的库很多。 对于PDF文件，故事完全不同，因为它没有针对表格内容的专用数据定义，如HTML中的table ， tr ， td标签。 PDF是一种复杂的格式，具有文本数据，字体，样式以及图像，音频和视频，可以将它们混合在一起。 以下是我针对高密度表格内容中的数据提出的解决方案。 如何检测
nbadata:用于从 ESPN.com 抓取 NBA 数据并使用 JPA 将其解析到 MySQL 数据库的 Java 代码
07-11
用于从 ESPN.com 复制 2013-14 NBA 赛季得分的 Java 代码集。 每个文件负责一项与数据相关的操作。 由于它们是独立开发和测试的，整个过程还没有统一，因此 4 个主要文件（采集、过滤、Html2Xml、Xml2DB）中的每一个都必须单独运行。 Acquisition.java 负责保存 ESPN.com 用来显示游戏的每个 boxscore 的完整 html 文件。 每个文件都由一个 ID 号保存，该 ID 号对应于 ESPN.com 在其文件结构中使用的 ID。 Filtering.java 从完整的 html 文件中只提取包含相关数据的表。 Html2Xml.java 将 html 表转换为 xml 文件。 Xml2DB.java 从 xml 文件中读取信息，将它们转换为 Java Persistence (JPA) 实体对象，然后将这些对象存储在本地主机
Java读取html页面以文件流方式输出显示在页面
woweipingzui的专栏
04-01 4万+
需求：实现服务器上excel文件转html，然后在浏览器上以流的方式读出(不让用户看到文件存放位置)： Java以字节流读取html文件，然后想在前台显示：读取html代码如下： response.setContentType("multipart/form-data"); response.setCharacterEncoding("UTF-8"); response.
document对象常用的属性和方法
weixin_44237840的博客
05-05 1万+
一、对象的属性 1.document.title //设置文档的标题（HTML的title标签） 2.document.bgColor //设置背景页面的颜色 3.document.fgColor //设置前景色（文本颜色） 4.documen.URL //设置URL属性在同一个窗口打开其他页面 5.document.linkColor //未点击过的链接颜色 6....
java读取html文件
十七的博客
03-21 1096
【代码】java读取html文件。
Java如何解析html里面的内容并存到数据库
热门推荐
吴名氏的博客
06-22 15万+
Java如何解析html里面的内容并存到数据库
使用 Java 从 HTML 中分离纯文本的三种方法
qq_31192711的博客
01-17 2274
了解将HTML文档转换为文本、将HTML字符串转换为文本以及从文本字符串中删除HTML的三种API解决方案。
java读取html文件,并获取body中所有的标签及内容的案例
08-24
主要介绍了java读取html文件,并获取body中所有的标签及内容的案例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
java实现本地读取图片存储到数据库中并在html网页显示
05-18
本地图片使用二进制流存储到MySQL中，然后响应前端的传参，查询后可以显示在HEML网页中，相当于图片的简单上传和显示
java 中根据html模板生成新的html
10-16
根据html模板生成新的html，很简单可以运行
java 读取文件内容_html读取本地文件内容
weixin_39989190的博客
12-01 264
第一步，获取文件信息<input type="file"/> <script> const fileElement = document.querySelector('#file'); fileElement.addEventListener('change', (e) => { const file = e.target.files[0]; }) &...
java获取html文件的内容
HAN_789的博客
12-15 4468
1.获取文件名称路径 /** * 获取文件名 * *<hr> * @author hanjidong * @date 2020年11月17日 下午3:05:51 * @since 0.0.1 * @param basePath * @param documentId * @param itemId * @param fileType * @return * String */ public static String buildFilen
Java之提取html中的文本内容
qq_22049773的博客
02-06 2591
思想如下： 使用jsoup对html文档进行解析，每个html标签（Element）、文本（TextNode）都抽象成一个Node，每一个Node都含有childNodes()方法来枚举其包含的Node，这里通过递归来提取文本内容，对于非TextNode的Node，我们遍历其孩子Node，对于TextNode我们直接返回结果。 其中jsoup的gradle依赖为compile 'org.j...
Java 读取本地和在线 html文档
李人
07-04 4324
由于业务需要，有时会需要读取一个html模板。 有这么一个需求：需要读取html文件的“body”内容，但是不想要这个body里面的某一个<h2> 元素，如果用正则表达式来进行匹配的话，会非常消耗性能。可以考虑使用这个方法 <!doctype html> <html> <head> <meta htt...
StringUtils 字符串工具类
qq_16313575的博客
10-08 370
/** * 字符串工具类 */ public class StringUtils extends org.apache.commons.lang3.StringUtils { /** * 空字符串 */ private static final String NULLSTR = ""; /** * 下划线 */ private static final char SEPARATOR = '_'; /** ..
Java 1. 使用Eclipse集成开发环境编写网络程序，读取https://www.baidu.com页面内容，将其保存为baidu.html文件
06-11
好的，我可以帮你解决这个问题。需要注意的是，读取HTTPS页面需要使用HTTPS连接，并且需要导入相应的证书。下面是一个简单的Java程序，使用Eclipse集成开发环境读取https://www.baidu.com页面内容，并将其保存为baidu.html文件。 ```java import java.io.*; import java.net.*; import javax.net.ssl.HttpsURLConnection; import javax.net.ssl.SSLContext; import javax.net.ssl.TrustManager; import javax.net.ssl.X509TrustManager; public class ReadHttpsPage { public static void main(String[] args) throws Exception { // 创建一个SSL信任管理器，用于信任所有证书 TrustManager[] trustAllCerts = new TrustManager[]{new X509TrustManager() { public java.security.cert.X509Certificate[] getAcceptedIssuers() { return null; } public void checkClientTrusted( java.security.cert.X509Certificate[] certs, String authType) { } public void checkServerTrusted( java.security.cert.X509Certificate[] certs, String authType) { } }}; // 获取一个SSL上下文对象，并设置信任管理器 SSLContext sc = SSLContext.getInstance("SSL"); sc.init(null, trustAllCerts, new java.security.SecureRandom()); HttpsURLConnection.setDefaultSSLSocketFactory(sc.getSocketFactory()); // 创建一个URL对象，并打开连接 URL url = new URL("https://www.baidu.com/"); HttpsURLConnection conn = (HttpsURLConnection) url.openConnection(); conn.setRequestMethod("GET"); // 读取返回的数据 BufferedReader reader = new BufferedReader(new InputStreamReader(conn.getInputStream())); StringBuffer sb = new StringBuffer(); String line; while ((line = reader.readLine()) != null) { sb.append(line); } reader.close(); // 将数据保存为baidu.html文件 BufferedWriter writer = new BufferedWriter(new FileWriter("baidu.html")); writer.write(sb.toString()); writer.close(); System.out.println("Done!"); } } ``` 这段程序使用了一个SSL信任管理器，用于信任所有证书。在实际生产环境中，应该使用一个更加安全的信任管理器，以防止中间人攻击。另外，这段程序也没有处理异常情况，实际应用中需要进行更加严谨的处理。

“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