htmlparser 源码说明

转自:http://tangyaot-yahoo-cn.iteye.com/blog/1460487

Htmlparser源代码分析

一．根目录下的类

1.Attribute.java

属性类，四个field：mName,mAssignment,mValue,mQuote;

空白标签时：mName=null

除了',"两引号和自定义参数字符表示的分隔号外，mQuote的值都以 char类型的0字符表示。

其中的getName（StringBufferbuffer）等方法，意思是将所获得的结果存入buffer内。

如果使用setRawValue（）方法进行对mQuote,和,mValue赋值的时候，首尾都是双引号或者单引号则将单引号或双引号作为mQuote，字符串的其他部分作为mValue.如果首尾不同时为一种引号则对mQuote用双引号赋值，字符其他部分作为mValue.如果字符串中没有引号，并且所有字符都是由-,_,:,.和字母与数字组成，则mQuote会被用char类型的0赋值。即为空

例如：

"abcdefg"-------------------->mQuote:" mValue: abcdefg

'abcdefg'---------------------->mQuote:' mValue: abcdefg

'abcdefg"---------------------->mQuote:" mValue: 'abcdefg"

abc-defg---------------------->mQuote:(空格) mValue: abc-defg

如果字符串中有非首尾的引号或者只有首或者尾的引号，或者有除了-,_,:,.这几个符号以及数字和字母外的其他符号会被补上引号(字符串中没有单引号就补单引号，没有双引号就补双引号，如果都有则补双引号，并且字符串中的双引号被替换为")。

例如：

abc'de"fg---------------------->mQuote:" mValue: abc'de"fg

&abcdefg--------------------->mQuote:" mValue: &abcdefg

%a'bcd"efg-------------------->mQuote:" mValue: %a'bcd"efg

%abcd"efg--------------------->mQuote:' mValue: %abcd"efg

by 蛰伏神兽;http://hi.csdn.net/space-8079523.html;

2.Node.java (interface) extendsCloneable

StringtoPlainTextString();

StringtoHtml();

StringtoHtml(booleanverbatim);//如果verbatim为true相比上面一个会更接近源 page。但是通过这个工具库对这个方法的实现情况来看，以上三个方法完全一致verbatim并不起到任何作用。

voidcollectInto(NodeListlist,NodeFilterfilter);

//将这个Node以及它的所有子Node都用filter过滤器过滤后放入list.中

intgetStartPosition();//获取该node的起始mPosition

voidsetStartPosition();//设置

voidaccept(NodeVisitorvisitor);//为这个node添加一个visitor

voidsetParent();

voidsetChildren(NodeListchildren);//还可以通过getLastChildren等等获取第一个或者最后一个child，但是设置就不可以。可以通过getPreviousSibling()这个node前后的兄弟姐妹node。

voiddoSemanticAction();//Performthemeaningofthistag.执行这个标签的所表达的意思。执行该node(TagNode)的语义动作。

3.NodeFactory (interface) Thisinterfacedefinesthemethodsneededtocreatenewnodes.

Text creatStringNode(Pagepage,intstart,intend);//创建textnode

Remark creatRemarkNode(Pagepage,intstart,intend);//创建remarknode

Tag creatTagNode(Pagepage,intstart,intend,Vectorattributes);//创建tagnode

Attributes为这个标签的所有属性

4.PrototypicalNodeFactory

这个类实现了NodeFactory接口，具备创建原型node的能力，这个类还有一个Map用来存储注册的各种Tag.

5.Remark(interface)

6.Text(interface)

这个接口比较复杂，内容较多.因为html里面大都是Tag

7.Tag (interface)

这3个接口用来确定3种node的行为特征

8.NodeFilter(interface) extends Serializable,Cloneable

可序列化

唯一一个方法boolean accept(Nodenode);决定是否保留所给的这个node

即过滤器!

9.Parser implements Serializable,ConnectionMonitor

语义分析核心类，也是这个工具库的核心应用类

二．http目录

1.HttpHeader UtilitymethodstodisplayHTTPheaders.

所有方法都是静态的。

获取要发送请求的header：getRequestHeader(HttpURLConnectionconnection);static

获取接受到的请求的headergetResponseHeader(HttpURLConnectionconn);static

三．Lexer目录

1.Page RepresentsthecontentsofanHTMLpage.

用Source作为buffer存储结构用来存储数据

Source与Reader类似。InputStreamSource与InputStreamReader类似。

StringSource与StringReader类似。

2.Cursor Abookmarkinapage.

implementsSerializable,Ordered,Cloneable接口

总共有2个Field：intmPosition;PagemPage;后者表示所在的页面，前者表示所在该页面中的具体position。Ordered接口排序是通过mPosition大小进行排序。

这个类除了这两个Field的set/get方法外还有以下几个方法，功能如下：

Voidadvance(); //mPosition++;向前进一步

Voidretreat(); //mPosition--;后撤一步，当mPosition小于0的时候则令mPosition=0;

Cursordup() ;//返回Cursor的克隆实例。如果不支持克隆就创建一个新的Cursor实例Field值与源实例相同。

3.PageIndex Asortedarrayofintegers,thepositionsofthefirstcharactersofeachline.

这个类的核心字段int[]mIndices;用来存储对应Page的每行的index和该行末尾字符的mPosition的值之间的对应关系

除了一些对这个数组元素的普通操作方法之外还有row();和column();方法用来获取位置具体信息。elementAt(index);能够获取index表示的那一行最后一个字符的mPosition信息。

4.PageAttribute (extendsAttribute)

比Attribute多了5个Field，分别为mNameStart,mNameEndmValueStartmValueEnd;这4个字段作用于自身的Page字段。相对于Attribute类，我们可以通过mNameStart,mNameEnd来获取某个Attribute的name信息，我们可以通过mNameEnd,mValueStart来获取Attribute的Assignment信息，我们还可以通过mValueStart,mValueEnd来获取Attribute的value信息，当然这都是建立在Page存在的基础之上。如果page为null那么自然就无法根据这些字段来获取相应信息了。大体方法与Attribute一致。只不过在内部调用了super()而已。

5.lexer ThisclassparsestheHTMLstreamintonodes(threetypeofnodes).{Remark,Text,Tag}

四．Util目录

1.NodeIterator

接口，节点迭代器。有2个未实现方法

booleanhasMoreNodes();

NodenextNode();

该迭代器的实现类：IteratorImpl

该迭代器的继承接口：SimpleNodeIterator

2.IteratorImpl

3.ParserFeedback

接口，Parser的反馈机制

Info，error，warning

4.DefaultParserFeedback

ParserFeedback的默认实现类，可序列化。

能表示3种模式，分别为QUIET，NORMAL，DEBUG

无参数构造器默认构造为NORMAL模型

5.FeedbackManager

DefaultParserFeedback的一个代理

6.Sort

提供快速排序以及2分查找。

7.CharacterReference

实现序列化接口。实现Ordered接口，可用Sort进行排序和查找

8.Translate

Translatenumericcharacterreferencesandcharacterentityreferencestounicodecharacters.）

Lookup();2分查找。decode()解码。encode()编码

都为static方法。

9.NodeList

主要字段nodeData[]，这个List中Node是存在数组中的

添加node时可以选择add();也可以选择prepend();前者添加在尾部，后者添加在头部。可以获取部分Node:extractAllNodesThatMatch(NodeFilter,boolean);也可以保留一部分Node(源List中删除一些Node):keepAllNodesThatMatch(NodeFilter).

10.NodeTreeWalker

可以将Node集合构建成树形然后通过树形的方法来获取Node

11.ParserUtil

静态实用工具类

1.removeChars(String,char),移除指定字符串中的字符

2.removeEscapeCharacters(StringinputString);移除指定字符串中的'\t','\n','\r'字符

3.removeTrailingBlanks(String);移除指定字符串末尾的空白符

4.findTypeInNode(Node,Class);返回指定Node中所有符合Class的子类的数组

5.splitButDigits(String,String);

6.trimButDigits(String,String);除了数字和需要的字符集合以外的字符都清空

7.trimButDigitsBeginEnd(String,String);和上一个差不多，只不过是取出头尾部分

8.splitSpaces(String,String);trimSpaces(String,String);第二个参数是需要删除的而不 是保留的

9.其他的和之前两个差不多，方法里面有But则第二个参数为需要保留的,否则为需 要删除的

10.createParserParsingAnInputString(String);根据字符串返回parser

五．Nodes目录

1.AbstractNode (abstract) implementsNode,Serializable

对Node接口中的抽象方法部分进行了简单实现。

除了一下几个：

StringtoPlainTextString();

StringtoHtml(booleanverbatim);

StringtoString();

voidaccept(NodeVisitorvisitor);

2.TextNode extendsAbstractNodeimplementsText

对AbstractNode抽象类中的上述没有实现的方法进行了实现，其中toPlainTextString();与toHtml(booleanverbatim)与toHtml();3个方法等价。Verbatim

不起作用

主要方法：setText();getText();accept();

3.RemarkNode extendsAbstractNodeimplementsRemark

继承了AbstractNode实现了其中toPlainTextString();方法，但是只是返回一个空字符串;实现了toHtml(booleanverbatim)方法，verbatim仍然不起作用，这个方法返回的是html的注释形式：<!――mText――>其中mText为这个类的Field

Accept()方法也被实现了，与TextNode实现之前的区别是visitor使用了与Text，Remark对应的不同的方法。

4.TagNode extendsAbstractNodeimplementsTag

Field:

A).finalstaticString[]NONE;

a)//Anemptysetoftagnames.

B).ScannermScanner;

a)//这个标签的扫描器

C).finalstaticScannermDefaultScanner=newTagScanne();

a)//非复合标签的默认扫描器

D).VectormAttributes;

a)//这个Tag的属性集合

E).staticHashtablebreakTags;

a)//Hashtable<K,V>,用来记录标签:

static

{

breakTags=newHashtable(30);

breakTags.put("BLOCKQUOTE",Boolean.TRUE);

breakTags.put("BODY",Boolean.TRUE);

breakTags.put("BR",Boolean.TRUE);

breakTags.put("CENTER",Boolean.TRUE);

breakTags.put("DD",Boolean.TRUE);

breakTags.put("DIR",Boolean.TRUE);

breakTags.put("DIV",Boolean.TRUE);

breakTags.put("DL",Boolean.TRUE);

breakTags.put("DT",Boolean.TRUE);

breakTags.put("FORM",Boolean.TRUE);

breakTags.put("H1",Boolean.TRUE);

breakTags.put("H2",Boolean.TRUE);

breakTags.put("H3",Boolean.TRUE);

breakTags.put("H4",Boolean.TRUE);

breakTags.put("H5",Boolean.TRUE);

breakTags.put("H6",Boolean.TRUE);

breakTags.put("HEAD",Boolean.TRUE);

breakTags.put("HR",Boolean.TRUE);

breakTags.put("HTML",Boolean.TRUE);

breakTags.put("ISINDEX",Boolean.TRUE);

breakTags.put("LI",Boolean.TRUE);

breakTags.put("MENU",Boolean.TRUE);

breakTags.put("NOFRAMES",Boolean.TRUE);

breakTags.put("OL",Boolean.TRUE);

breakTags.put("P",Boolean.TRUE);

breakTags.put("PRE",Boolean.TRUE);

breakTags.put("TD",Boolean.TRUE);

breakTags.put("TH",Boolean.TRUE);

breakTags.put("TITLE",Boolean.TRUE);

breakTags.put("UL",Boolean.TRUE);

}

toPlainTextString();方法返回的是空字符串，和RemarkNode一样。toHtml()

中的参数也和RemarkNode一样不起作用。这里有几个方法是需要注意区分

getAttribute(Stringname);//通过属性名获取这个属性的值。

getAttributeEx(Stringname)//通过属性名获取整个属性对象Attribute

getAttributesEx();//获取所有属性对象Attributes，返回值是Vector

------------------------------------------------------------------------------------------

String[]getIds();

String[]getEnders();

String[]getEndTagEnders();

3者一致，返回的都是NONE字段，以后具体Tag类型的继承TagNode的时候会用各自的方法把它们覆盖掉。

//原创地址：

http://write.blog.csdn.net/postedit;转载请注明出处,蛰伏神兽

六．Tags目录

1.CompositeTag extendsTagNode

Thebaseclassfortagsthathaveanendtag.

这个类囊括了Tag标签的几乎所有操作。除了一般的获取孩子标签：children();getChild();;getChildrenAsNodeArray();elements();移除孩子标签:removeChild();将所有孩子以字符串形式返回toPlainTextString();或者以字符串形式导入到缓存buffer:putChildrenInto();获取具体位置的子标签Node:childAt();以及将所有孩子标签通过filter过滤器存入NodeList中:collectInto(NodeList,NodeFilter);等等方法外，还有些比较重要的方法：

A).TagsearchByName(Stringname);

//用来在孩子标签中查找拥有name(这个name是参数)属性的第一个标签。

B).NodeListsearchFor(StringsearchString,booleancaseSensitive,Localelocale);

//在孩子标签中查找包含searchString字符串的Node，并将这些Node都放入NodeList中，然后返回NodeList；

C).intfindPositionOf(Stringtext,Localelocale);

//返回在孩子标签中第一个包含text字符串的标签的具体位置(在NodeList中的Index位置，而不是Cursor类中那样的mPosition位置)

D).Text[]digupStringNode(StringsearchText);

//首先通过searchText找出子标签中包换这个字符串的所有标签。然后再从这些标签中挑出属于Text的节点组成Text[]返回

这个类算是Tags目录中最重要的一个类。所有的复合标签都需要继承这个类。

1.BodyTag===========>"BODY";//getBody();内部调用额是toPlainTextString();

2.Bullet==============>"LI"

3.BulletList===========>"UL","OL"

4.Div===============>"DIV"

5.HeadingTag=========>"H1","H2","H3","H4","H5","H6"

6.HeadTag===========>"HEAD"

7.Html==============>"HTML"

8.InputTag===========>"INPUT"

9.JspTag============>"%","%=","%@"

10.LabelTag===========>"LABEL"

11.ParagraphTag========>"P"

12.ProcessingInstructionTag==>"?"

13.SelectTag===========>"SELECT"

14.Span===============>"SPAN"

15.StyleTag============>"STYLE"

16.TableColumn=========>"TD"

17.TableHeader==========>"TH"

18.TableRow============>"TR"

19.TableTag===============>"TABLE"

20.TextAreaTag============>"TEXTAREA"

21.TitleTag================>"TITLE"

22.DoctypeTag=============>"!DOCTYPE"

23.DefinitionListBullet========>"DD","DT"

24.DefinitionList=============>"DL"

以上的24个标签都相对比较简单。内部有2个或者3个字段，之中一个String[]ids就是箭头右边的那个字符串。另外一个或者2个字段是终结各自的终结符。

----------------------------------------------------------------------------------------------------

1.BaseHrefTag "BASE";

//setBaseUrl();getBaseUrl();对href属性取赋值

//对doSemanticAction()的实现也是如此：page.setBaseUrl(getBaseUrl());

2.OptionTag "OPTION"

//setValue();getValue();对value属性取赋值

//getOptionText();通过调用toPlainTextString()实现

3.FrameTag "FRAME"

//setFrameLocation();getFrameLocation();对src属性取赋值

4.FormTag "FORM"

//有POST,GET两静态字段来表示FORM传递数据的方式

//getFormInputs();抓取子标签中的所有InputTag并打包以NodeList返回。

//getFormTextareas();抓取子标签中的所有TextAreaTag并打包以NodeList返回。

//getFormMethod();对method属性取值

//getFormName();对name属性取值

//setFormLocation();getFormLocation();extractFormLocn()对action属性取赋值

//getInputTag(Stringname);找出name属性为提供参数的InputTag.

5.ImageTag "IMG"

//字段imageUrl表示String类型的image地址

//extractImageLocn();获取相对/绝对地址SRC的属性取值

//getImageUrl();获取绝对地址SRC的属性取值

//setImageUrl();设置绝对地址SRC的属性赋值

6.FrameSetTag "FRAMESET"

//getFrames(),setFrames();对该标签的孩子标签取赋值

//getFrame(Stringname,Localelocale);通过名字从Tag孩子中找出符合要求的//FrameTag

//原创地址：

http://hi.csdn.net/space-8079523.html;转载请注明出处,蛰伏神兽

7.MetaTag "META"

//setHttpEquiv();getHttpEquiv();对HTTP-EQUIV属性的取赋值

//setMetaTagContents();getMetaContent();对CONTENT属性的取赋值

//setMetaTagName();getMetaTagName();对NAME属性的取赋值

//doSemanticAction();的实现：(设置了一下编码)

//if("Content-Type".equalsIgnoreCase(httpEquiv)){

//charset=getPage().getCharset(getAttribute("CONTENT"));

//getPage().setEncoding(charset);

//}

8.ScriptTag "SCRIPT"

//字段mCode表示Script的编码

//getLanguage();setLanguage();对LANGUAGE属性的取赋值

//setType();getType();对TYPE属性的取赋值

//putChildrenInto(StringBuffersb,booleanverbatim);把所有孩子节点都存入sb中.

9.LinkTag "A"

//字段mLink;表示这个link的URL值

//字段mailLink,如果为true，则表示这个link为邮件地址

//字段javascriptLink，如果为true，则表示这个link为javascript文件地址

//getAccessKeyt();对ACCESSKEY属性的取值

//extractLink();获取URL值

//getLink();获取URL值，与上一个方法的区别是这个值将会把"mailto：","javascript:"

//去掉。并且对mailLink或者javascriptLink字段进行设置。setLink();对href赋值

//getLinkText();如果标签有孩子，就会返回所有孩子的字符串形式。

//isFTPLink();isIRCLink();isHTTPLink();isHTTPSLink();isHTTPLikeLink();按字面意//思理解实现的话都是通过字符串匹配实现的。

//其中isHTTPSLikeLink()=isHTTPSLink()||isHTTPLink();

10.AppletTag "APPLET"

//HashtablecreateAppletParamsTable();param标签的name属性和value属性

//setAppletClass();getAppletClass();对CODE属性取赋值

//setArchive();getArchive();对ARCHIVE属性取赋值

//setCodeBase();getCodeBase();对CODEBASE属性取赋值

11.ObjectTag"OBJECT"

//setObjectClassId();getObjectClassId();对CLASSID属性的取赋值

//setObjectCodeBase();getObjectCodeBase();对CODEBASE属性的取赋值

//setObjectCodeType();getObjectCodeType();对CODETYPE属性的取赋值

//setObjectData();getObjectData();对DATA属性的取赋值

//setObjectHeight();getObjectHeight();对HEIGHT属性的取赋值

//setObjectStandby();getObjectStandby();对STANDBY属性的取赋值

//setObjectType();getObjectType();对TYPE属性的取赋值

//setObjectWidth();getObjectWidth();对WIDTH属性的取赋值

//setObjectParams();设置对象属性;

七．filters目录

这个目录中的类都实现了NodeFilter接口。这个接口只有一个方法accept(Nodenode);

1.IsEqualFilter Thisclassacceptsonlyonespecificnode.

booleanaccept(Nodenode);如果相等返回true，不相等返回false

2.AndFilter Acceptsnodesmatchingallofitspredicatefilters(ANDoperation).

//字段mPredicates存放被用于过滤的所有过滤器,这个类其实就是多个过滤

//器的集合，只不过通过它需要通过所有mPredicates存放的过滤器而已。

//当然他提供了相应的方法来获取和设置存储的过滤器

3.OrFilter Acceptsnodesmatchinganyofitspredicatesfilters(ORoperation).

//与AndFilter过滤器基本一致。只是accept()的实现中把false改成了true。功能显 //而易见

4.NotFilter Acceptsallnodesnotacceptabletoit'spredicatefilter.

//字段mPredicate 存放过滤器

//accept();实现return((null!=mPredicate)&&!mPredicate.accept(node));

5.XorFilter

//和or基本一致，只是or是只需在所有filter里面有一个匹配就行，而xor则是需//要奇数个匹配。

6.HasChildFilter//这个Node的孩子能够通过指定Filter

7.HasParentFilter//这个Node的父亲能够通过指定Filter

8.HasSiblingFilter//这个Node的兄弟能够通过指定Filter

9.HasAttributeFilter//这个Node需要有指定的Attribute包括name,value

10.NodeClassFilter

//这个Node需要与指定class相关，就是说class可能是这个Node的父类//或者父接口的class，或者是这个类本身的class

11.TagNameFilter

//这个Node只有是TagNode，并且不是EndTag，并且是指定名字的才能通过

12.LinkStringFilter

//这个Node只有是LinkTag或者继承LinkTag的类，并且URL中需要包含指定字 //符串才能通过,可以设定大小写敏感

13.LinkRegexFilter

//有个PatternmRegex字段，存放需要匹配的Pattern

//这个Node只有是LinkTag或者继承LinkTag的类，并且URL必须与给定的Pattern //匹配才能通过(部分匹配,使用的是Matcher的find()方法)。可以设置大小写敏感

14.StringFilter

//这个Node只有是Text，并且内容必须包含指定字符串才能通过，可以设置大小 //写敏感

15.RegexFilter

//有3中策略MATCH,LOOKINGAT,FIND.分别代表Matcher类的3个方法

//Matcher.matches();匹配整个字符串

//Matcher.lookingAt();从头开始匹配，如果匹配则true，不用扫描整个字符串

//Matcher.find();只要有子序列匹配返回true

16.CssSelectorNodeFilter

//css选择器过滤器比较复杂，用到的时候再看。

//原创地址：http://hi.csdn.net/space-8079523.html;转载请注明出处,蛰伏神兽

八．visitors 这些visitor意思就是在给定的字符序列或者数组中查找需要的内容并且 记录找到的个数

1.NodeVisitor

//这个包的基础Visitor定义visitor的基本动作：

//voidbeginParsing()

//voidvisitTag(Tagtag)

//voidvisitEndTag(Tagtag)

//voidvisitStringNode(Textstring)

//voidvisitRemarkNode(Remarkremark)

//voidfinishedParsing()

//以及两个递归的执行与否

2.TagFindingVisitor

//一个参数的构造器默认不检查结束标签(endTag)

//在传入的一个待查找TagName数组中找出指定Tag以及这个Tag的个数(指定后//endTag也可以查)

3.StringFindingVisitor

//Field:

//StringstringToFind;

//boolean multipleSearchesWithinStrings;

//visitorStringNode(Text stringNode);

//在TextNode的text中查找stringToFind的个数

//如果multipleSearchesWithinStrings字段为false那么一次只能查到一个，查到后立//即返回了.如果为True那么一次visitor就能把text包含的stringToFind都招出来例//如：stringToFind=aaa;

Text=aaaaaaaaa;

那么能找到3个。(注意不是7个)

4.ObjectFindVisitor

//查找与指定class一直的tag对象;一次比较一个tag对象

5.LinkFindVisitor

//和StringFindVisitor差不多只不过只能访问Tag对象

6.TextExtractingVisitor

//在Text中提取text内容

7.UrlModifyingVisitor

//给相应Node添加url前缀。

8.HtmlPage

//

九．scanner目录

1.Scanner (interface)

publicTagscan(Tagtag,Lexerlexer,NodeListstack)throwsParserException;

2.TagScanner

//scan的实现：

//tag.doSemanticAction();

//returntag;

3.JspScanner (extends)TagScanner

//比前者多了一个无参数构造器

4.StyleScanner

//

5.ScriptDecoder

//为script解码

因为小弟是初次使用htmlparser所有职能简单的分析源代码，也没有什么创新的见解。权当备案，以后用多了在来补充编辑。大家勿喷