NekoHTML学习笔记<o:p></o:p>
J. Andrew Clark用Java写了一系列的工具(Java APIs),NekoHTML是其中之一。
NekoHTML是一个简单地HTML扫描器和标签补偿器(tag balancer) ,使得程序能解析HTML文档并用标准的XML接口来访问其中的信息。这个解析器能投扫描HTML文件并“修正”许多作者(人或机器)在编写HTML文档过程中常犯的错误。NekoHTML能增补缺失的父元素、自动用结束标签关闭相应的元素,以及不匹配的内嵌元素标签。NekoHTML的开发使用了Xerces Native Interface (XNI),后者是Xerces2的实现基础。<o:p></o:p>
一、运行要求<o:p></o:p>
从NekoHTML主页上下载nekohtml-latest.zip,目前版本是0.8.
NekoHTML要求运行在java1.1或更高版本,Xerces-J 2.0或更高版本。(我在试用时,随便拿了个xerces的包来用,结果例如运行老时不能通过,折腾半天后才发现版本不够所致.:)
<o:p></o:p>
二、使用NekoHTML<o:p></o:p>
1、透明地创建HTML解析器
利用Xerces2.0为基础,应用程序通过JAXP实例化解析器对象时,可以透明地创建HTML解析器,此时只需要将NekoHTML的jar文件,在CLASSPATH中放在Xerces的jar文件之前即可。nekohtmlXni.jar中的META-INF/services/org.apache.xerces.xni.parser.XMLParserConfiguration文件会被Xerces的读取并取代标准的设置文件,此处org.apache.xerces.xni.parser.XMLParserConfiguration文件的内容就是一个字符串“org.cyberneko.html.HTMLConfiguration”。这种方法的好处是简单透明,缺点是影响了Xerces在其它情况下的使用。 <o:p></o:p>
2、便利的HTML解析器类
要想避免上述的问题,可以使用org.cyberneko.html.parsers包的DOM和SAX解析器类来创建解析器,这两个类都使用了HTMLConfiguration类。解析器一旦创建之后,就可以解析HTML文件,并用标准的XML接口来访问文件中的信息,就象面对的是一个XML文件一样。
下面的代码是NekoHTML自带的例程,我改了一下,使其可以显示HTML文件内容,而不显示类的名字。 <o:p></o:p>
package sample;<o:p></o:p>
<o:p> </o:p>
<o:p> </o:p>
import org.cyberneko.html.parsers.DOMParser;
<!---->
<!----><o:p></o:p>
import org.w3c.dom.Document;
<!---->
<!----><o:p></o:p>
import org.w3c.dom.Node;<o:p></o:p>
<o:p> </o:p>
<o:p> </o:p>
public class TestHTMLDOM {
<!---->
<!----><o:p></o:p>
public static void main(String[] argv) throws Exception {
<!---->
<!----><o:p></o:p>
DOMParser parser = new DOMParser();
<!---->
<!----><o:p></o:p>
for (int i = 0; i < argv.length; i++) {
<!---->
<!----><o:p></o:p>
parser.parse(argv[i]);
<!---->
<!----><o:p></o:p>
print(parser.getDocument(), "");
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
public static void print(Node node, String indent) {
<!---->
<!----><o:p></o:p>
// System.out.println(indent+node.getClass().getName());
<!---->
<!----><o:p></o:p>
if (node.getNodeValue() != null){
<!---->
<!----><o:p></o:p>
if("".equals(node.getNodeValue().trim())){
<!---->
<!----><o:p></o:p>
}else{
<!---->
<!----><o:p></o:p>
System.out.print(indent);
<!---->
<!----><o:p></o:p>
System.out.println(node.getNodeValue());
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
<!---->
<!----><o:p></o:p>
Node child = node.getFirstChild();
<!---->
<!----><o:p></o:p>
while (child != null) {
<!---->
<!----><o:p></o:p>
print(child, indent+" ");
<!---->
<!----><o:p></o:p>
child = child.getNextSibling();
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
编译运行如下: <o:p></o:p>
cd $NEKOHTML_HOME
cp build_html.xml build.xml
ant
java -cp nekohtml.jar;nekohtmlSamples.jar;xmlParserAPIs.jar;xercesImpl.jar sample.TestHTMLDOM test.html<o:p></o:p>
如果一切正常可以显示HTML的内容了。
3、文档片段解析
除了DOM和SAX类,NekoHTML还提供了一个实验性质的DOMFragmentParser类,用以解析HTML文件的片段。我个人认为,由于浏览器的强大的容错能力,即使一个片段的HTML文件,也可以正确显示,由此也变相地造成了很多人不再关心的HTML的完整要求了。这个类,也许将是用的最多的。下面,看看nutch是如何使用nekoHTML的。 <o:p></o:p>
package net.nutch.fetcher;
<!---->
<!----><o:p></o:p>
...
<!---->
<!----><o:p></o:p>
import org.cyberneko.html.parsers.*;
<!---->
<!----><o:p></o:p>
import org.xml.sax.*;
<!---->
<!----><o:p></o:p>
import org.w3c.dom.*;
<!---->
<!----><o:p></o:p>
import org.w3c.dom.html.*;
<!---->
<!----><o:p></o:p>
import org.apache.html.dom.*;<o:p></o:p>
<o:p> </o:p>
<o:p> </o:p>
/* A simple fetcher. */
<!---->
<!----><o:p></o:p>
public class Fetcher {
<!---->
<!----><o:p></o:p>
....
<!---->
<!----><o:p></o:p>
private DOMFragmentParser parser = new DOMFragmentParser();
<!---->
<!----><o:p></o:p>
....
<!---->
<!----><o:p></o:p>
private void handleFetch(URL url, FetchListEntry fle, Http.Response response)
<!---->
<!----><o:p></o:p>
throws IOException, SAXException {
<!---->
<!----><o:p></o:p>
<!---->
<!----><o:p></o:p>
//判断HTTP应答包的类型,只放过html文件
<!---->
<!----><o:p></o:p>
String contentType = response.getHeader("Content-Type");
<!---->
<!----><o:p></o:p>
if (contentType != null && !contentType.startsWith("text/html"))
<!---->
<!----><o:p></o:p>
throw new IOException("Unknown content-type: " + contentType);
<!---->
<!----><o:p></o:p>
//创建文件片段对象
<!---->
<!----><o:p></o:p>
DocumentFragment node = new HTMLDocumentImpl().createDocumentFragment();
<!---->
<!----><o:p></o:p>
//解析HTML内容
<!---->
<!----><o:p></o:p>
parser.parse(new InputSource(new ByteArrayInputStream(response.getContent())),node);
<!---->
<!----><o:p></o:p>
//取得全部文本内容
<!---->
<!----><o:p></o:p>
StringBuffer sb = new StringBuffer();
<!---->
<!----><o:p></o:p>
getText(sb, node);
<!---->
<!----><o:p></o:p>
String text = sb.toString();
<!---->
<!----><o:p></o:p>
//取得标题信息
<!---->
<!----><o:p></o:p>
sb.setLength(0);
<!---->
<!----><o:p></o:p>
getTitle(sb, node);
<!---->
<!----><o:p></o:p>
String title = sb.toString().trim();
<!---->
<!----><o:p></o:p>
//取得该页所有的出链
<!---->
<!----><o:p></o:p>
ArrayList l = new ArrayList();
<!---->
<!----><o:p></o:p>
getOutlinks(url, l, node);
<!---->
<!----><o:p></o:p>
<!---->
<!----><o:p></o:p>
//显示结果,存储信息
<!---->
<!----><o:p></o:p>
Outlink[] outlinks = (Outlink[])l.toArray(new Outlink[l.size()]);
<!---->
<!----><o:p></o:p>
LOG.fine("found " + outlinks.length + " outlinks in " + url);<o:p></o:p>
<o:p> </o:p>
<o:p> </o:p>
outputPage(new FetcherOutput(fle, MD5Hash.digest(response.getContent()),
<!---->
<!----><o:p></o:p>
true, title, outlinks),
<!---->
<!----><o:p></o:p>
new FetcherContent(response.getContent()),
<!---->
<!----><o:p></o:p>
new FetcherText(text));
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
private static void getText(StringBuffer sb, Node node) {
<!---->
<!----><o:p></o:p>
if (node.getNodeType() == Node.TEXT_NODE) {
<!---->
<!----><o:p></o:p>
sb.append(node.getNodeValue());//取得结点值,即开始与结束标签之间的信息
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
NodeList children = node.getChildNodes();
<!---->
<!----><o:p></o:p>
if ( children != null ) {
<!---->
<!----><o:p></o:p>
int len = children.getLength();
<!---->
<!----><o:p></o:p>
for ( int i = 0; i < len; i++ ) {
<!---->
<!----><o:p></o:p>
getText(sb, children.item(i));//递归遍历DOM树
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
}<o:p></o:p>
<o:p> </o:p>
<o:p> </o:p>
private static boolean getTitle(StringBuffer sb, Node node) {
<!---->
<!----><o:p></o:p>
if (node.getNodeType() == Node.ELEMENT_NODE) {
<!---->
<!----><o:p></o:p>
if ("title".equalsIgnoreCase(node.getNodeName())) {
<!---->
<!----><o:p></o:p>
getText(sb, node);
<!---->
<!----><o:p></o:p>
return true;
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
NodeList children = node.getChildNodes();
<!---->
<!----><o:p></o:p>
if (children != null) {
<!---->
<!----><o:p></o:p>
int len = children.getLength();
<!---->
<!----><o:p></o:p>
for (int i = 0; i < len; i++) {
<!---->
<!----><o:p></o:p>
if (getTitle(sb, children.item(i))) {
<!---->
<!----><o:p></o:p>
return true;
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
return false;
<!---->
<!----><o:p></o:p>
}<o:p></o:p>
<o:p> </o:p>
<o:p> </o:p>
private static void getOutlinks(URL base, ArrayList outlinks, Node node) {
<!---->
<!----><o:p></o:p>
if (node.getNodeType() == Node.ELEMENT_NODE) {
<!---->
<!----><o:p></o:p>
if ("a".equalsIgnoreCase(node.getNodeName())) {
<!---->
<!----><o:p></o:p>
StringBuffer linkText = new StringBuffer();
<!---->
<!----><o:p></o:p>
getText(linkText, node);<o:p></o:p>
<o:p> </o:p>
<o:p> </o:p>
NamedNodeMap attrs = node.getAttributes();
<!---->
<!----><o:p></o:p>
String target= null;
<!---->
<!----><o:p></o:p>
for (int i= 0; i < attrs.getLength(); i++ ) {
<!---->
<!----><o:p></o:p>
if ("href".equalsIgnoreCase(attrs.item(i).getNodeName())) {
<!---->
<!----><o:p></o:p>
target= attrs.item(i).getNodeValue();//在DOM树中,属性是一个结点。
<!---->
<!----><o:p></o:p>
break;
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
if (target != null)
<!---->
<!----><o:p></o:p>
try {
<!---->
<!----><o:p></o:p>
URL url = new URL(base, target);
<!---->
<!----><o:p></o:p>
outlinks.add(new Outlink(url.toString(),linkText.toString().trim()));
<!---->
<!----><o:p></o:p>
} catch (MalformedURLException e) {
<!---->
<!----><o:p></o:p>
// don't care
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
NodeList children = node.getChildNodes();
<!---->
<!----><o:p></o:p>
if ( children != null ) {
<!---->
<!----><o:p></o:p>
int len = children.getLength();
<!---->
<!----><o:p></o:p>
for ( int i = 0; i < len; i++ ) {
<!---->
<!----><o:p></o:p>
getOutlinks(base, outlinks, children.item(i));//递归遍历DOM树
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
....
<!---->
<!----><o:p></o:p>
}<o:p></o:p>
注意,此处传递给解析过程parse的文档片段对象,必须是由org.w3c.dom.html.HTMLDocument类型的DOM文档对象创建,否则有异常。
HTMLConfiguration可以用于创建任何基于XNI解析器,可参考下例 <o:p></o:p>
package sample;<o:p></o:p>
<o:p> </o:p>
<o:p> </o:p>
import org.apache.xerces.parsers.AbstractSAXParser;
<!---->
<!----><o:p></o:p>
import org.cyberneko.html.HTMLConfiguration;<o:p></o:p>
<o:p> </o:p>
<o:p> </o:p>
public class HTMLSAXParser extends AbstractSAXParser {
<!---->
<!----><o:p></o:p>
public HTMLSAXParser() {
<!---->
<!----><o:p></o:p>
super(new HTMLConfiguration());
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
}
<!---->
<!----><o:p></o:p>
三、设置解析器参数<o:p></o:p>
为了更加精确的控制解析的动作,nekohtml提供了相应的设置函数。如下列: <o:p></o:p>
// settings on HTMLConfiguration
<!---->
<!----><o:p></o:p>
org.apache.xerces.xni.parser.XMLParserConfiguration config =
<!---->
<!----><o:p></o:p>
new org.cyberneko.html.HTMLConfiguration();
<!---->
<!----><o:p></o:p>
config.setFeature("http://cyberneko.org/html/features/augmentations", true);
<!---->
<!----><o:p></o:p>
config.setProperty("http://cyberneko.org/html/properties/names/elems", "lower");<o:p></o:p>
<o:p> </o:p>
<o:p> </o:p>
// settings on DOMParser
<!---->
<!----><o:p></o:p>
org.cyberneko.html.parsers.DOMParser parser =
<!---->
<!----><o:p></o:p>
new org.cyberneko.html.parsers.DOMParser();
<!---->
<!----><o:p></o:p>
parser.setFeature("http://cyberneko.org/html/features/augmentations", true);
<!---->
<!----><o:p></o:p>
parser.setProperty("http://cyberneko.org/html/properties/names/elems", "lower");
<!---->
<!----><o:p></o:p>
<o:p> </o:p>
nekohtml功能(feature)列表<o:p></o:p>
功能<o:p></o:p> |
默认值<o:p></o:p> |
描述<o:p></o:p> |
http://cyberneko.org/html/features/balance-tags <o:p></o:p> |
True<o:p></o:p> |
是否允许增补缺失的标签。如果要以XML方式操作HTML文件,此值必须为真。此处提供设置功能,为了性能的原因。<o:p></o:p> |
http://cyberneko.org/html/features/balance-tags/ignore-outside-content <o:p></o:p> |
False<o:p></o:p> |
是否忽略文档根元素以后的数据。如果为false,<html>和<bod>被忽略,所有的内容都被解析。<o:p></o:p> |
http://cyberneko.org/html/features/document-fragment <o:p></o:p> |
False<o:p></o:p> |
解析HTML片段时是否作标签增补。此功能不要用在DOMParser上,而要用在DOMFragmentParser上。<o:p></o:p> |
http://apache.org/xml/features/scanner/notify-char-refs <o:p></o:p> |
False<o:p></o:p> |
当遇到字符实体引用(如&#x20;)是否将(#x20)报告给相应地文档处理器。<o:p></o:p> |
http://apache.org/xml/features/scanner/notify-builtin-refs <o:p></o:p> |
False<o:p></o:p> |
当遇到XML内建的字符实体引用(如&amp;)是否将(amp)报告给相应地文档处理器。<o:p></o:p> |
http://cyberneko.org/html/features/scanner/notify-builtin-refs <o:p></o:p> |
False<o:p></o:p> |
当遇到HTML内建的字符实体引用(如&copy;)是否将(copy)报告给相应地文档处理器。<o:p></o:p> |
|