`
13shu
  • 浏览: 73030 次
  • 性别: Icon_minigender_1
  • 来自: 深圳
社区版块
存档分类
最新评论

htmlparse 解析 将夜小说 百度贴吧

    博客分类:
  • java
 
阅读更多
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.OutputStreamWriter;

import org.htmlparser.Node;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.filters.AndFilter;
import org.htmlparser.filters.HasAttributeFilter;
import org.htmlparser.filters.TagNameFilter;
import org.htmlparser.tags.LinkTag;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;

public class BaiduParse {
	public static void main(String[] args) throws Exception {

		String str = "http://tieba.baidu.com/p/1303669256";

		String endPage = getEndPage(str);
		String url = null;
		for (int i = 1; !endPage.equals(url); i++) {
			url = str + "?pn=" + i;
			System.out
					.println("================================================"
							+ url
							+ "================================================");
			String content = getContent(url);
			writeStringToFile(fileName(url) + ".html", content, "gb2312");
		}
	}

	/**
	 * 保存到本地的文件名称
	 * 
	 * @param name
	 *            文件名称
	 * @return
	 */
	public static String fileName(String name) {
		String abc = name.split("/")[name.split("/").length - 1];

		String aaa = abc.split("\\?")[0]
				+ abc.split("\\?")[abc.split("\\?").length - 1];

		return aaa;
	}

	/**
	 * 找到最后一页的URL
	 * 
	 * @param url
	 * @return
	 * @throws ParserException
	 */
	public static String getEndPage(String url) throws ParserException {
		String str = null;
		Parser parser = new Parser();
		parser.setURL(url);
		parser.setEncoding("gb2312");
		
		// 设置过滤器,只获取li标签,并且只有class属性为l_pager pager_theme_2的html节点(包括子节点)
		NodeFilter beginNodeFilter = new AndFilter(new TagNameFilter("li"),
				new HasAttributeFilter("class", "l_pager pager_theme_2"));

		NodeList nodeList = parser.extractAllNodesThatMatch(beginNodeFilter);

		if (nodeList != null && nodeList.size() > 0) {

			Node nameNode = nodeList.elementAt(nodeList.size() - 1);
			
			//得到最后一个链接
			LinkTag n = (LinkTag) nameNode.getLastChild();
			str = n.extractLink();
		}
		parser.reset();
		return str;
	}

	/**
	 * 获取某个URL中的内容,这里只留下了br标签
	 * 
	 * @param url
	 * @return
	 * @throws ParserException
	 */
	public static String getContent(String url) throws ParserException {
		Parser parser = new Parser();
		parser.setURL(url);
		parser.setEncoding("gb2312");

		// 设置过滤器,只获取p标签,并且只有class属性为d_post_content的html节点(包括子节点)
		NodeFilter beginNodeFilter = new AndFilter(new TagNameFilter("p"),
				new HasAttributeFilter("class", "d_post_content"));

		// 执行解析得到所有节点集合
		NodeList nodeList = parser.extractAllNodesThatMatch(beginNodeFilter);

		StringBuffer sb = new StringBuffer();

		for (int i = 0; i < nodeList.size(); i++) {
			Node nameNode = nodeList.elementAt(i);

			NodeList cNodeList = nameNode.getChildren();

			// 自定义解析器把包含a标签与包含img标签的节点去掉
			NodeFilter nodeFilter = new NodeFilter() {
				private static final long serialVersionUID = 1L;

				public boolean accept(Node arg0) {

					// 如果包含a或者包含img跳过
					if (arg0.toHtml().startsWith("<a")
							|| arg0.toHtml().startsWith("<img")) {
						return false;
					}
					return true;
				}
			};

			//对子节点进行a标签img标签过滤
			cNodeList = cNodeList.extractAllNodesThatMatch(nodeFilter);

			for (int j = 0; j < cNodeList.size(); j++) {
				Node cnameNode = cNodeList.elementAt(j);
				sb.append(cnameNode.toHtml());
			}

		}
		parser.reset();
		return sb.toString();
	}

	/**
	 * 把字符串写入文件中
	 * 
	 * @param fileName
	 *            文件名称
	 * @param content
	 *            文件内容
	 * @param enc
	 *            字符集编码
	 * @return
	 * @throws IOException
	 */
	public static boolean writeStringToFile(String fileName, String content,
			String enc) throws IOException {
		File file = new File(fileName);
		try {
			if (file.isFile()) {
				file.deleteOnExit();
				file = new File(file.getAbsolutePath());
			}
			OutputStreamWriter os = null;
			if (enc == null || enc.length() == 0) {
				os = new OutputStreamWriter(new FileOutputStream(file));
			} else {
				os = new OutputStreamWriter(new FileOutputStream(fileName), enc);
			}
			os.write(content);
			os.close();
		} catch (Exception e) {
			e.printStackTrace();
			return false;
		}
		return true;
	}

}

 

分享到:
评论

相关推荐

    使用HtmlParser 提取百度贴吧中的图片

    使用HtmlParser 提取百度贴吧中的图片

    htmlparser解析html分页

    HTMLParser是一个用于解析HTML文档的库,尤其在处理非结构化或不标准的HTML时非常有用。这个库可能被用于从网页中提取数据,比如在爬虫项目中,或者进行自动化测试时解析页面内容。本篇文章将深入探讨HTMLParser的...

    htmlparser解析Html的jar包和源文件包(两个)

    HTMLParser是一款专为Java开发人员设计的开源库,用于解析HTML文档。这个工具包小巧而强大,能够处理不规则的HTML结构,对于处理网络爬虫、网页数据提取或需要解析HTML内容的应用程序来说,是非常实用的。在提供的...

    htmlparser解析

    htmlparser解析html,获得需要的字段

    使用HTMLParser解析网页,找出文章后下载保存

    本篇文章将深入探讨如何使用HTMLParser库来解析网页,查找文章内容,并将其下载保存。HTMLParser是Python标准库中的一个模块,专门用于解析HTML和XML文档。 首先,我们需要了解HTMLParser的基本用法。HTMLParser是...

    Java正则表达式详解+基于HTMLParser解析HTML网页

    如何在Java程序中利用正则表达式实现对字符串的解析.另外,HTMLParser是一款很强大的对HTML网页进行解析的工具,其中大量地用到正则表达式.

    htmlparser解析API

    HTMLParser是一个纯Java编写的库,专门用于解析和处理HTML文档。它不依赖任何其他Java库,使得它成为一个轻量级且高效的解决方案。HTMLParser设计的目的是为了方便地解析、提取或修改HTML内容,适用于网页数据抓取和...

    htmlparser(HTML页面解析)例子

    HTMLParser是Python中用于解析HTML文档的一个库,它允许开发者以事件驱动的方式处理HTML文档的结构。这个库特别适用于从不规范的HTML源码中提取数据,因为网页内容的格式可能会因各种原因而不尽完美。在本例中,我们...

    java解析html工具htmlparser的jar包及api文档

    HTMLParser是一个Java库,专为解析HTML而设计。它提供了对HTML文档的解析能力,使得开发者可以方便地处理网页内容,提取有用的信息或者进行数据抓取。这个工具在IT行业中,尤其是在Web开发和数据处理领域,有着广泛...

    android htmlparser解析

    标题已经哼明白了,这里下载下来作为library引入即可。 这里是jar下载:http://sourceforge.net/projects/htmlparser/ (ps:不过导入jar前,要重新编译jar,要不在Android工程了不可用)

    Html解析助手htmlparser.jar

    2. **创建解析器**:通过实例化解析器类,如`HtmlParser`,并设置相应的解析模式和配置。 3. **解析HTML**:调用解析器的`parse`方法,传入HTML源码或输入流,开始解析过程。 4. **处理解析事件**:注册事件处理器,...

    htmlparser_Java网页解析器

    在事件驱动模式下,HTMLParser会监听并触发一系列的解析事件,如遇到开始标签、结束标签、文本内容等。开发者可以通过注册事件处理器来响应这些事件,从而提取所需的数据。这种方式对于处理大量HTML文档且只需要关注...

    解析htmlparser的所有jar包

    然后,你可以按照HTMLParser的API文档编写代码,创建解析器实例,设置事件处理器,以及进行所需的解析操作。 总的来说,HTMLParser提供了一个强大且灵活的工具,可以帮助Java开发者在处理HTML时避免许多常见的头痛...

    android 解析html (htmlParser)库和源码

    因为一个项目需要解析一个网站上的新闻,所以找到了htmlParser这个开源的项目,删除了一些不需要的包,使其可以在android上用。 有两个工程,myhtml是库,要把它包含到dwParser(android工程)工程中,就可以直接...

    Winista.Htmlparser.Net 解析Html 的.net类库

    HtmlParser.Net是来源于Java的一个用来解析html的组件,主要用于改造或提取html。它能够高速解析html,是非常好的一个html解析和分析工具。 这个是.Net版本包括源代码和帮助文档。 版本:HTMLParser.Net - Community...

    htmlparser

    按DOM模型解析html文件的工具包 已下是源码列表: META-INF/MANIFEST.MF META-INF/maven/org.htmlparser/htmlparser/pom.properties META-INF/maven/org.htmlparser/htmlparser/pom.xml org.htmlparser.Parser.class ...

    HtmlParser

    使用HTMLParser,我们可以解析网页内容,提取所需信息,如文章标题、链接、图片等。以下是一些核心概念和步骤: 1. **创建自定义解析器**: 首先,我们需要继承Python的`HTMLParser`类,并重写其方法,如`handle_...

    c#版htmlparser htmlparser.dll htmlparser源代码

    在C#中,HTMLParser可能采用了递归下降解析器或基于事件的解析器模式。递归下降解析器通常使用函数或方法的递归来匹配HTML标记,而基于事件的解析器则在遇到特定的HTML元素时触发事件,使得处理更加灵活。 标签`c# ...

    基于java的开发源码-HTML文档解析器 HTMLParser.zip

    基于java的开发源码-HTML文档解析器 HTMLParser.zip 基于java的开发源码-HTML文档解析器 HTMLParser.zip 基于java的开发源码-HTML文档解析器 HTMLParser.zip 基于java的开发源码-HTML文档解析器 HTMLParser.zip 基于...

    HTMLParser.net源代码HTMLParser.net使用demo

    4. **事件驱动的解析**:HTMLParser.net提供了一个事件模型,当解析到特定元素或属性时,会触发事件。开发者可以订阅这些事件来实现自定义逻辑。 5. **灵活性**:除了基本的HTML解析,HTMLParser.net还支持XML和SVG...

Global site tag (gtag.js) - Google Analytics