XmlParser和HtmlParser

经常要用的Xml和Html解决,实际上这个领域也有非常好的解决方案。相对来说现在各种开源的Xml解析功能比较丰富,机制也比较灵活,但是由于他功能比较完善,干的事情比较多,所以性能方面也慢一点;另外,由于Xml天生是有严格格式的,所以问题不大,但是Html文件的内容是良莠不齐,有的网站经常缺少关闭标签,有的开始是大写,关闭是小写等等,没有严格遵守规范的时候,连Dom结构也解不正确,对于数据抓取程序来说,这就会严重影响正确性。
另外,一个重要的问题是数据遍历,一般来说在数据遍历方面,开源框架没有在性能做过充分优化,因此,如果要进行高速检索,就需要进行程序扩展。为此,本人编写一套XmlParser和HtmlParser,在数据校验方面做了删减,不支持进行数据校验,在容错性方面做了扩充,在Html解决时,即使格式不正确,在大多数情况下也可以返回正确的结果。最坏的情况也,也可以解决出Dom,但是Dom结构不一定正确,而不会出现崩溃或解析异常的问题。
还有一个是简体中文标签的支持能力,比如: <中文 属性1="1" 属性2="b" />
OK,费话少说,看看调用代码。

1
2
XmlStringParser parser = new XmlStringParser();
XmlDocument xmlDocument = parser.parse("<aa a=\"1\"><!--aa --><a a=\"aa\"></a></aa>");


上面就已经把xml解析好了。
1
2
HtmlStringParser parser = new HtmlStringParser();
HtmlDocument xmlDocument = parser.parse("<aa a=\"1\"><!--aa --><a a=\"aa\"></a></aa>");


上面就已经把html解析好了。由于Xml及Html都是用得统一的接口,所以,会了Xml解析,Html也是一样样的。
解析出的Node,都实现了下面的接口,因此遍历方面也是非常方便的。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
public interface Node<T extends Node<T>> extends ForEachProcessor<T> {
/**
* 获取结点头标签相关内容
*
* @return StringBuffer
*/
void getHeader(StringBuffer sb);

/**
* 返回子节点
*
* @param name
* @return
*/
List<T> getSubNodes(String name);

/**
* 添加内容节点
*
* @param content
*/
void addContent(String content);

/**
* 设置结点名称
*
* @param name
*/
void setNodeName(String name);

/**
* 获取结尾标签
*
* @return StringBuffer
*/
void getFooter(StringBuffer sb);

/**
* 获取根结点
*
* @return T
*/
T getRoot();

/**
* 设置父亲节点
*
* @param parent
*/
void setParent(T parent);

/**
* 返回节点名称
*
* @return
*/
String getNodeName();

/**
* 返回父亲节点
*
* @return
*/
T getParent();

/**
* 返回中间内容
*
* @return
*/
StringBuffer getBody();

/**
* 写出数据
*
* @param stream
* @throws IOException
*/
void write(OutputStream stream) throws IOException;

/**
* 返回节点类型
*
* @return
*/
NodeType getNodeType();

/**
* 返回属性
*
* @param attributeName
* @return
*/
String getAttribute(String attributeName);

/**
* 删除属性
*
* @param attributeName
*/
void removeAttrivute(String attributeName);

/**
* 设置属性值
*
* @param attributeName
* @param value
*/
void setAttribute(String attributeName, String value);

/**
* 添加节点
*
* @param node
* 要增加的节点
* @return 如果增加成功,则返回node节点,否则返回null
*/
T addNode(T node);

/**
* 删除节点
*
* @param node
* @return 删除的节点,如果当前节点中不包含node节点,则返回null
*/
T removeNode(T node);

/**
* 删除指定节点
*
* @param nodeName
* @return
*/
List<T> removeNode(String nodeName);

/**
* 获取内容
*
* @return
*/
String getContent();

/**
* 变成StreamBuffer
*
* @return
*/
StringBuffer toStringBuffer();

/**
* 设置内容
*
* @param content
*/
void setContent(String content);

/**
* 返回属属性
*
* @return
*/
Map<String, String> getAttributes();

/**
* 返回子节点
*
* @return
*/
List<T> getSubNodes();

/**
* 是否单节点
*
* @return
*/
boolean isSingleNode();

/**
* 是否大小写敏感
*
* @return
*/
boolean isCaseSensitive();

/**
* 根据大小写相关返回名字
*
* @param name
* @return
*/
String getCaseSensitiveName(String name);

/**
* 返回纯文本内容
*
* @return
*/
String getPureText();
}


为了避免接口太过庞大,因此把格式化的处理放在独立的结构中进行处理。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
public interface NodeFormater<E extends Node<E>, T extends Document<E>> {
/**
* 格式化文档
*
* @param doc
* @return String
*/
String format(T doc);

void setEncode(String encode);

/**
* 格式化文档、 并在指定的输出流中输出
*
* @param doc
* @param out
* @return void
* @throws IOException
*/
String format(E node);

void format(T doc, OutputStream out) throws IOException;

void format(E node, OutputStream out) throws IOException;
}


要格式化输入的话,下面的代码就可以了:
1
2
3
HtmlDocument doc= new XmlStringParser().parse("<html 中='文'><head><title>aaa</title></head></html>");
HtmlFormater f = new HtmlFormater();
System.out.println(f.format(doc));


输出结果如下:

1
2
3
4
5
6
7
<html 中="文">
<head>
<title>
aaa
</title>
</head>
< /html>


上面已经演示了解析和格式化以及遍历,下面看看检索。 首先构建60*60*60,三层的Dom结构,也就是现在有216000个Dom节点

1
2
3
4
5
6
7
8
9
10
XmlNode node = new XmlNode("root");
for (int i = 0; i < 60; i++) {
XmlNode a = node.addNode(new XmlNode("a" + i));
for (int j = 0; j < 60; j++) {
XmlNode b = a.addNode(new XmlNode("b" + j));
for (int k = 0; k < 60; k++) {
b.addNode(new XmlNode("c" + k));
}
}
}


然后对其进行节点查找,用两种方法进行10000次节点过滤:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
public void testSpeed() {
long t21 = System.currentTimeMillis();
QuickNameFilter quick = new QuickNameFilter(node);
long t22 = System.currentTimeMillis();
System.out.println("quick初始化用时" + (t22 - t21));
long t1 = System.currentTimeMillis();
String nodeName = null;
for (int x = 0; x < 10000; x++) {
nodeName = quick.findNode("b6").toString();
}
long t2 = System.currentTimeMillis();
System.out.println("QuickNameFilter用时" + (t2 - t1));
}

public void testSpeed1() {
long t21 = System.currentTimeMillis();
FastNameFilter fast = new FastNameFilter(node);
long t22 = System.currentTimeMillis();
System.out.println("fast初始化<span></span><span></span>用时" + (t22 - t21));
long t1 = System.currentTimeMillis();
String nodeName = null;
for (int x = 0; x < 10000; x++) {
nodeName = fast.findNode("b6").toString();
}
long t2 = System.currentTimeMillis();
System.out.println("FastNameFilter用时" + (t2 - t1));
}


下面看看时间耗费情况:

1
2
3
4
quick初始化用时385
QuickNameFilter用时376
fast初始化用时122
FastNameFilter用时330


可以看到fast的初始化时间及查找用时,都是最快的;而quick的初始化时间和查找用时相比要慢一些。但是请注意,这都是在216000个节点中查找10000次所耗费的时间。 那么再用传统的方式试一下---一般的开源方式也差不多在这个量级。

1
2
3
4
5
6
7
8
9
10
11
12
13
public void testSpeed2() {
long t11 = System.currentTimeMillis();
NameFilter filter = new NameFilter(node);
long t12 = System.currentTimeMillis();
System.out.println("Name初始化用时" + (t12 - t11));
long t1 = System.currentTimeMillis();
String nodeName = null;
for (int x = 0; x < 10; x++) {
nodeName = filter.findNode("b6").toString();
}
long t2 = System.currentTimeMillis();
System.out.println("NameFilter用时" + (t2 - t1));
}


运行结果:
1
2
Name初始化用时12
NameFilter用时83


但是,请注意,他的查询次数是10次,如果变成10000次,就是83000ms,也就是83秒之多。与Fast过滤方式相差了680倍之多。 小结:我们实现的Xml及HtmlParser确实是有自己独特的优点(学习成本低,Html和Xml解析方法一致,格式化输出,紧凑输出,容错性,查询效率高等等),也有不足(不支持DTD,XSD校验),在不需要校验的场景,需要容错性好及过滤性能高的场景下,是非常有优势的。

你可能感兴趣的:(HtmlParser)