分析/解析Html页面:HTML Parser的试用

http://code.google.com/p/olunx-com/

HtmlParser4Android  android版

http://blog.csdn.net/hegch/article/details/1787475


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

from:http://junjie314.iteye.com/blog/83405


最近在研究lucene的全文检索,在很多地方需要解析或者说分析Html内容或者Html页面,Lucene本身的演示程序中也提供了一个Html Parser,但是不是纯Java的解决方案.于是到处搜索,在网上找到了一个"HTMLParser".

网址是: http://htmlparser.sourceforge.net ,当前版本为1.5.

下载下来,试用一番,感觉不错,完全能满足lucene解析Html的需求.

过几天贴出lucene进行全文检索的代码.(检索本站的文章等).

试用代码如下,供大家参考:

package com.jscud.test;   
  
import java.io.BufferedReader;   
import java.io.File;   
import java.io.FileInputStream;   
import java.io.InputStreamReader;   
  
import org.htmlparser.Node;   
import org.htmlparser.NodeFilter;   
import org.htmlparser.Parser;   
import org.htmlparser.filters.NodeClassFilter;   
import org.htmlparser.filters.OrFilter;   
import org.htmlparser.nodes.TextNode;   
import org.htmlparser.tags.LinkTag;   
import org.htmlparser.util.NodeList;   
import org.htmlparser.util.ParserException;   
import org.htmlparser.visitors.HtmlPage;   
import org.htmlparser.visitors.TextExtractingVisitor;   
  
import com.jscud.util.LogMan; //一个日志记录类   
  
/**  
 * 演示了Html Parse的应用.  
 *   
 * @author scud http://www.jscud.com  
 */  
  
public class ParseHtmlTest   
{   
  
    public static void main(String[] args) throws Exception   
    {   
        String aFile = "e:/jscud/temp/test.htm";   
  
        String content = readTextFile(aFile, "GBK");   
  
        test1(content);   
        System.out.println("====================================");   
  
        test2(content);   
        System.out.println("====================================");   
  
        test3(content);   
        System.out.println("====================================");   
  
        test4(content);   
        System.out.println("====================================");   
  
        test5(aFile);   
        System.out.println("====================================");   
  
        //访问外部资源,相对慢   
        test5("http://www.jscud.com");    
        System.out.println("====================================");   
  
    }   
  
    /**  
     * 读取文件的方式来分析内容.  
     * filePath也可以是一个Url.  
     *   
     * @param resource 文件/Url  
     */  
    public static void test5(String resource) throws Exception   
    {   
        Parser myParser = new Parser(resource);   
  
        //设置编码   
        myParser.setEncoding("GBK");   
  
        HtmlPage visitor = new HtmlPage(myParser);   
  
        myParser.visitAllNodesWith(visitor);   
  
        String textInPage = visitor.getTitle();   
  
        System.out.println(textInPage);   
    }   
  
    /**  
     * 按页面方式处理.对一个标准的Html页面,推荐使用此种方式.  
     */  
    public static void test4(String content) throws Exception   
    {   
        Parser myParser;   
        myParser = Parser.createParser(content, "GBK");   
  
        HtmlPage visitor = new HtmlPage(myParser);   
  
        myParser.visitAllNodesWith(visitor);   
  
        String textInPage = visitor.getTitle();   
  
        System.out.println(textInPage);   
    }   
  
    /**  
     * 利用Visitor模式解析html页面.  
     *  
     * 小优点:翻译了<>等符号   
     * 缺点:好多空格,无法提取link  
     *     
     */  
    public static void test3(String content) throws Exception   
    {   
        Parser myParser;   
        myParser = Parser.createParser(content, "GBK");   
  
        TextExtractingVisitor visitor = new TextExtractingVisitor();   
  
        myParser.visitAllNodesWith(visitor);   
  
        String textInPage = visitor.getExtractedText();   
  
        System.out.println(textInPage);   
    }   
  
    /**  
     * 得到普通文本和链接的内容.  
     *   
     * 使用了过滤条件.  
     */  
    public static void test2(String content) throws ParserException   
    {   
        Parser myParser;   
        NodeList nodeList = null;   
  
        myParser = Parser.createParser(content, "GBK");   
  
        NodeFilter textFilter = new NodeClassFilter(TextNode.class);   
        NodeFilter linkFilter = new NodeClassFilter(LinkTag.class);   
  
        //暂时不处理 meta   
        //NodeFilter metaFilter = new NodeClassFilter(MetaTag.class);   
  
        OrFilter lastFilter = new OrFilter();   
        lastFilter.setPredicates(new NodeFilter[] { textFilter, linkFilter });   
  
        nodeList = myParser.parse(lastFilter);   
  
        Node[] nodes = nodeList.toNodeArray();   
  
        for (int i = 0; i < nodes.length; i++)   
        {   
            Node anode = (Node) nodes[i];   
  
            String line = "";   
            if (anode instanceof TextNode)   
            {   
                TextNode textnode = (TextNode) anode;   
                //line = textnode.toPlainTextString().trim();   
                line = textnode.getText();   
            }   
            else if (anode instanceof LinkTag)   
            {   
                LinkTag linknode = (LinkTag) anode;   
  
                line = linknode.getLink();   
                //@todo 过滤jsp标签:可以自己实现这个函数   
                //line = StringFunc.replace(line, "<%.*%>", "");   
            }   
  
            if (isTrimEmpty(line))   
                continue;   
  
            System.out.println(line);   
        }   
    }   
  
    /**  
     * 解析普通文本节点.  
     *   
     * @param content  
     * @throws ParserException  
     */  
    public static void test1(String content) throws ParserException   
    {   
        Parser myParser;   
        Node[] nodes = null;   
  
        myParser = Parser.createParser(content, null);   
  
        nodes = myParser.extractAllNodesThatAre(TextNode.class); //exception could be thrown here   
  
        for (int i = 0; i < nodes.length; i++)   
        {   
            TextNode textnode = (TextNode) nodes[i];   
            String line = textnode.toPlainTextString().trim();   
            if (line.equals(""))   
                continue;   
            System.out.println(line);   
        }   
  
    }   
  
    /**  
     * 读取一个文件到字符串里.  
     *   
     * @param sFileName  文件名  
     * @param sEncode   String  
     * @return 文件内容  
     */  
    public static String readTextFile(String sFileName, String sEncode)   
    {   
        StringBuffer sbStr = new StringBuffer();   
  
        try  
        {   
            File ff = new File(sFileName);   
            InputStreamReader read = new InputStreamReader(new FileInputStream(ff),   
                    sEncode);   
            BufferedReader ins = new BufferedReader(read);   
  
            String dataLine = "";   
            while (null != (dataLine = ins.readLine()))   
            {   
                sbStr.append(dataLine);   
                sbStr.append("\r\n");   
            }   
  
            ins.close();   
        }   
        catch (Exception e)   
        {   
            LogMan.error("read Text File Error", e);   
        }   
  
        return sbStr.toString();   
    }   
  
    /**  
     * 去掉左右空格后字符串是否为空  
     * @param astr String  
     * @return boolean  
     */  
    public static boolean isTrimEmpty(String astr)   
    {   
        if ((null == astr) || (astr.length() == 0))   
        {   
            return true;   
        }   
        if (isBlank(astr.trim()))   
        {   
            return true;   
        }   
        return false;   
    }   
  
    /**  
     * 字符串是否为空:null或者长度为0.  
     * @param astr 源字符串.  
     * @return boolean  
     */  
    public static boolean isBlank(String astr)   
    {   
        if ((null == astr) || (astr.length() == 0))   
        {   
            return true;   
        }   
        else  
        {   
            return false;   
        }   
    }   
  
}  








你可能感兴趣的:(分析/解析Html页面:HTML Parser的试用)