网络爬虫---HTMLParser使用举例

htmlparser使用举例
HTMLParser一个解析web页面的开源类库,他有两种主要使用方式,extraction和transformation.前者就是从网页中萃取出你要的东西,后者就是把web页面中的一些内容改为(转换为)你想要的格式.下面来看看这两种使用情况的各自特点.
Extraction
萃取例如下面的几种常见的使用方式:
*textextraction,萃取web页面中的文本文字
*linkextraction,萃取web页面中的连接包括url和email地址,还可以自定义其他标签
*screenscraping,抓去web页面内容
*resourceextraction,萃取web页面中的资源,图片,声音文件......
*abrowserfrontend,thepreliminarystageofpagedisplay
*linkchecking,确保连接是有效的
*sitemonitoring,检查web页面的更改
使用一下几种机制来帮助你实现上面的功能:
filters,visitorsandJavaBeans
Transformation
处理web页面的内容,转换为你需要的.包含:
*URLrewriting,更改一个web页面的部分连接or全部连接为你想要的.
*sitecapture,把远程的网站抓取到本地
*censorship,检查web页面内容,移出你不想要的字词
*HTMLcleanup,整理html格式,
*adremoval,过滤广告连接
*conversiontoXML,转换为xml格式的数据
另外:htmlparser还使用到了几种很好的设计模式.应用的恰到好处,值得学习和借鉴一下.
这次对htmlparser的简单介绍先介绍到这里,在以后的时间里根据具体的应用在写一些例子,给大家参考一下(htmlparser源代码中也有几个例子,建议看看).

下面通过一个简单的htmlparser的使用举例，来学习htmlparser的使用。代码如下：

packagecom.amigo.htmlparser;
importjava.io.*;
importjava.net.URL;
importjava.net.URLConnection;
importorg.htmlparser.filters.*;
importorg.htmlparser.*;
importorg.htmlparser.nodes.*;
importorg.htmlparser.tags.*;
importorg.htmlparser.util.*;
importorg.htmlparser.visitors.*;
/***//**
*测试HTMLParser的使用.
*@author<ahref="liuqlmailto:[email protected]">liuql</a>
*Creationdate:2008-6-5-上午11:44:22
*/
publicclassHTMLParserTest{
/***//**
*入口方法.
*@paramargs
*@throwsException
*/
publicstaticvoidmain(Stringargs[])throwsException{
Stringpath="http://www.163.com";
URLurl=newURL(path);
URLConnectionconn=url.openConnection();
conn.setDoOutput(true);

InputStreaminputStream=conn.getInputStream();
InputStreamReaderisr=newInputStreamReader(inputStream,"utf8");
StringBuffersb=newStringBuffer();
BufferedReaderin=newBufferedReader(isr);
StringinputLine;

while((inputLine=in.readLine())!=null){
sb.append(inputLine);
sb.append("\n");
}

Stringresult=sb.toString();
readByHtml(result);
readTextAndLinkAndTitle(result);
}

/***//**
*按页面方式处理.解析标准的html页面
*@paramcontent网页的内容
*@throwsException
*/
publicstaticvoidreadByHtml(Stringcontent)throwsException{
ParsermyParser;
myParser=Parser.createParser(content,"utf8");
HtmlPagevisitor=newHtmlPage(myParser);
myParser.visitAllNodesWith(visitor);
StringtextInPage=visitor.getTitle();
System.out.println(textInPage);
NodeListnodelist;
nodelist=visitor.getBody();

System.out.print(nodelist.asString().trim());
}
/***//**
*分别读纯文本和链接.
*@paramresult网页的内容
*@throwsException
*/
publicstaticvoidreadTextAndLinkAndTitle(Stringresult)throwsException{
Parserparser;
NodeListnodelist;
parser=Parser.createParser(result,"utf8");
NodeFiltertextFilter=newNodeClassFilter(TextNode.class);
NodeFilterlinkFilter=newNodeClassFilter(LinkTag.class);
NodeFiltertitleFilter=newNodeClassFilter(TitleTag.class);
OrFilterlastFilter=newOrFilter();
lastFilter.setPredicates(newNodeFilter[]{textFilter,linkFilter,titleFilter});
nodelist=parser.parse(lastFilter);
Node[]nodes=nodelist.toNodeArray();
Stringline="";

for(inti=0;i<nodes.length;i++){
Nodenode=nodes;
if(nodeinstanceofTextNode){
TextNodetextnode=(TextNode)node;
line=textnode.getText();
}elseif(nodeinstanceofLinkTag){
LinkTaglink=(LinkTag)node;
line=link.getLink();
}elseif(nodeinstanceofTitleTag){
TitleTagtitlenode=(TitleTag)node;
line=titlenode.getTitle();
}

if(isTrimEmpty(line))
continue;
System.out.println(line);
}
}

/***//**
*去掉左右空格后字符串是否为空
*/
publicstaticbooleanisTrimEmpty(Stringastr){
if((null==astr)||(astr.length()==0)){
returntrue;
}
if(isBlank(astr.trim())){
returntrue;
}
returnfalse;
}
/***//**
*字符串是否为空:null或者长度为0.
*/
publicstaticbooleanisBlank(Stringastr){
if((null==astr)||(astr.length()==0)){
returntrue;
}else{
returnfalse;
}
}
}