HtmlParser例程和实例结果

最新推荐文章于 2024-05-13 09:35:29 发布

wyymaomi

最新推荐文章于 2024-05-13 09:35:29 发布

阅读量989

点赞数

分类专栏： J2EE 文章标签： html exception filter string 浏览器 div

J2EE 专栏收录该内容

15 篇文章 0 订阅

订阅专栏

StingBean用法实例：

StringBean sb = new StringBean ();

sb.setLinks (false); // 是否显示web页面的连接(Links)

sb.setReplaceNonBreakingSpaces (true);//去掉不规范的空格

sb.setCollapse (true);// 如果是true的话把一系列空白字符用一个字符替代.
// 为了取得页面的整洁美观一般设置上面两项为true , 如果要保持页面的原有格式, 如代码页面的空格缩进可以设置为false

sb.setURL ("http://www.netbeans.org"); // the HTTP is performed here

String s = sb.getStrings ();

　// 使用 ObjectFindingVisitor 配合不同的 Tag.class 分析网页

try

{
    ImageTag imgLink;
    ObjectFindingVisitor visitor = new ObjectFindingVisitor(ImageTag.class);
    Parser parser = new Parser();
    parser.setURL(url);
    parser.setEncoding(parser.getEncoding());
    parser.visitAllNodesWith(visitor);
    Node[] nodes = visitor.getTags();
    for (int i = 0; i < nodes.length; i++)

   {
        // ImageTag
        imgLink = (ImageTag) nodes[i];
        // ImageURL
        System.out.println("ImageURL = " + imgLink.getImageURL());
        // "/webinclude/zh-tw/images/msn.gif" => ImageLocation
        System.out.println("ImageLocation = " + imgLink.extractImageLocn());
        // SRC value
        System.out.println("SRC = " + imgLink.getAttribute("SRC"));
    }
}

catch (Exception e)

{
e.printStackTrace();
}

// 使用不同的 NodeFilter 分析网页
try

{
    NodeFilter filter = new TagNameFilter("IMG");
    NodeFilter filter1 = new NodeClassFilter(ImageTag.class);
    Parser parser = new Parser();
    parser.setURL(url);
    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();
}

* 补全html文件中的标签

* @param str

* @return

public static String formathtml(String str) {

String htmlstr = null;

htmlstr = "<html>" + "<div>" + str + "</html>";

System.out.println(htmlstr);

Parser parser = null;

try {

parser = new Parser(htmlstr);

// parser.setEncoding("GBK");

} catch (ParserException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

ObjectFindingVisitor visitor = new ObjectFindingVisitor(Div.class);

try {

parser.visitAllNodesWith(visitor);

} catch (ParserException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

Node[] nodes = visitor.getTags();

// System.out.println(((Div)nodes[0]).toHtml());

return ((Div) nodes[0]).toHtml();

}

处理前：

<html> <div><P>接下来我们要介绍的就是使用 JAVA 语言如何简单快速的攫取 HTML 中包含的数据。我们会借助一些现有的成熟 API

来完成这件事，因为如果仅仅是为了实现这个功能，完全没有必要自己去实现 HTML 的语法分析器。我们引入了一个开源的项目-- HTML

Parser ，这是一个在 SourceForge.net 上比较活跃的项目之一，目前的最新版本是 1.4 发行版。有如 HTML

Parser 网站的自我介绍： HTML Parser 是一个对现有的 HTML

进行分析的快速实时的解析器，事实上在应用过程中你更为惊叹于 HTML Parser 给你带来一些周到的处理。 </P>

<P>考虑到很多读者并不清楚该项目的应用场合，因此我依照以前的步骤来组织这篇文章。首先是提出问题，讲述我在怎么一种情况下需要对 HTML

进行语法解析；其次是分析问题，如何考虑到使用 HTML Parser 来达到我所需要的目的；最后就是解决问题。 </P>

<P>在实际开发一个内容管理项目时，由于内容是基于 HTML 的格式进行存储以及编写，并提供了一个基于浏览器的所见即所得的 HTML

编辑器。用户经常会直接从其他网站上复制一些带格式的内容后直接发布，首页会显示这些内容的概要信息，概要信息直接切割内容，从中读取前几个字。这种做法引发的问题是，截断的内容包含不完整的格式信息，因为切割的长度是固定的，比如我取前

400 </html>

处理后：

<div><P>接下来我们要介绍的就是使用 JAVA 语言如何简单快速的攫取 HTML 中包含的数据。我们会借助一些现有的成熟 API