写网络爬虫初探

打开java网络编程，发现了一句话，任何写过读取HTML代码的人都对它感到万分的痛苦。尽管有标准，但很少有人严格遵守，而且标准本身也很松散。但java程序员的福音来自JFC，由sun提供，它用于解析基本的HTML,javax.swing.text.html.parser能够或多或少地读取HTML文档，而javax.swing.text.html包能提供基于JFC的应用的基本的HTML。
主要的解析HTML的类是javax.swing.html.HTMLEditorKit.Parser这个内部抽象类，它的子类Parser.ParserDelegator，这个类的实例从一个Reader类中读取HTML文档。其中，它找寻５个地方，开始结束标签，空元素标签，正文和评论。每次parser发现这５个条目中的一个，就调用相应的回调方法javax.swing.text.html.HTMLEditorKit.ParseCallback类。因此程序员的工作就是编写这个类。