`
m635674608
  • 浏览: 5043320 次
  • 性别: Icon_minigender_1
  • 来自: 南京
社区版块
存档分类
最新评论

htmlcleaner 使用示例

    博客分类：
  • java
 
阅读更多

原文出处：http://blog.chenlb.com/2008/11/htmlcleaner-use-demo.html

编程的时候，有时数据源从html来。那就要对html分析提取数据。好在java社区里有好有相关库来解析html，经使用比较：个人 觉得 htmlcleaner 比 htmlparser 好用。htmlcleaner 的 xpath特好用。也可能我对htmlparser不熟悉。

htmlcleaner 下载地址：htmlcleaner2_1.jar 源码下载：htmlcleaner2_1-all.zip

写一个测试用的html文件：html-clean-demo.html

  1. <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">  
  2. <html xmlns="http://www.w3.org/1999/xhtml" xml:lang="zh-CN" dir="ltr">  
  3. <head>  
  4.     <meta http-equiv="Content-Type" content="text/html; charset=GBK"/>  
  5.     <meta http-equiv="Content-Language" content="zh-CN"/>  
  6.     <title>html clean demo</title>  
  7. </head>  
  8. <body>  
  9. <div class="d_1">  
  10.     <ul>  
  11.         <li>bar</li>  
  12.         <li>foo</li>  
  13.         <li>gzz</li>  
  14.     </ul>  
  15. </div>  
  16. <div>  
  17.     <ul>  
  18.         <li><a name="my_href" href="1.html">text-1</a></li>  
  19.         <li><a name="my_href" href="2.html">text-2</a></li>  
  20.         <li><a name="my_href" href="3.html">text-3</a></li>  
  21.         <li><a name="my_href" href="4.html">text-4</a></li>  
  22.     </ul>  
  23. </div>  
  24. </body>  
  25. </html>  

模拟需求：取出title，name="my_href" 的链接，div的class="d_1"下的所有li内容。下面用htmlcleaner写代码，HtmlCleanerDemo.java

  1. package com.chenlb;  
  2.   
  3. import java.io.File;  
  4.   
  5. import org.htmlcleaner.HtmlCleaner;  
  6. import org.htmlcleaner.TagNode;  
  7.   
  8. /** 
  9.  * htmlcleaner 使用示例. 
  10.  * 
  11.  * @author chenlb 2008-11-26 下午02:12:02 
  12.  */  
  13. public class HtmlCleanerDemo {  
  14.   
  15.     public static void main(String[] args) throws Exception {  
  16.         HtmlCleaner cleaner = new HtmlCleaner();  
  17.   
  18.         TagNode node = cleaner.clean(new File("html/html-clean-demo.html"), "GBK");  
  19.         //按tag取.  
  20.         Object[] ns = node.getElementsByName("title", true);    //标题  
  21.   
  22.         if(ns.length > 0) {  
  23.             System.out.println("title="+((TagNode)ns[0]).getText());  
  24.         }  
  25.         System.out.println("ul/li:");  
  26.         //按xpath取  
  27.         ns = node.evaluateXPath("//div[@class='d_1']//li");  
  28.         for(Object on : ns) {  
  29.             TagNode n = (TagNode) on;  
  30.             System.out.println("\ttext="+n.getText());  
  31.         }  
  32.         System.out.println("a:");  
  33.         //按属性值取  
  34.         ns = node.getElementsByAttValue("name", "my_href", true, true);  
  35.         for(Object on : ns) {  
  36.             TagNode n = (TagNode) on;  
  37.             System.out.println("\thref="+n.getAttributeByName("href")+", text="+n.getText());  
  38.         }  
  39.     }  
  40. }  

cleaner.clean()中的参数，可以是文件，可以是url，可以是字符串内容。个人认为：比较常用的应该是evaluateXPath、 getElementsByAttValue、getElementsByName方法了。另外说明下，htmlcleaner 对不规范的html兼容性比较好。

分享到：
| jquery xpath 选择器
评论
发表评论

您还没有登录,请您登录后再发表评论

相关推荐

    htmlcleaner使用方法及xpath语法初探

    【HtmlCleaner使用方法】 1. **初始化HtmlCleaner**： 创建`HtmlCleaner`实例，如`HtmlCleaner cleaner = new HtmlCleaner();` 2. **解析HTML文档**： 使用`clean`方法读取HTML文件并生成TagNode对象，如`...

    htmlcleaner html解析器

    **使用HTMLCleaner的步骤：** 1. 添加HTMLCleaner的JAR文件到项目类路径。 2. 创建`HtmlCleaner`实例并指定输入HTML字符串或文件。 3. 使用`clean()`方法解析HTML，得到`TagNode`对象，它是HTMLCleaner内部表示DOM的...

    HtmlCleaner 用法

    以下是一个简单的使用示例，展示了如何使用 HtmlCleaner 读取 HTML 并获取指定标签的内容： ```java import org.htmlcleaner.*; public class HtmlClearDemo { public static void main(String[] args) throws ...

    网页爬虫demo 带htmlcleaner jar包

    在提供的DEMO中，以58同城的一个页面作为示例，展示了如何使用HTMLCleaner进行实际操作。58同城是一个知名的分类信息网站，其页面内容丰富，包含了各种各样的信息，是学习网页爬虫的好素材。你可以通过Chrome浏览器...

    htmlcleaner,活跃的.zip

    源代码中可能包含了示例、测试用例以及详细的文档，帮助开发者理解和使用这个库。 开源项目的性质意味着HTMLCleaner有一个活跃的社区，用户可以提交问题、贡献代码，或者参与讨论，从而共同推动项目的进步。这种...

    HtmlCleaner-JAVA爬虫--编写第一个网络爬虫程序

    在本文中，我们将深入探讨如何使用HTMLCleaner来编写你的第一个Java爬虫程序。 首先，我们需要理解HTML爬虫的基本原理。网络爬虫是一种自动化程序，它遍历互联网上的网页，提取所需信息。在这个过程中，HTMLCleaner...

    页面正文提取htmlcleaner-2.8.jar

    以下是一个简单的使用HtmlCleaner提取HTML正文的Java代码示例： ```java import org.htmlcleaner.*; public class HtmlCleanerDemo { public static void main(String[] args) { String ...

    java分析html算法(java网页蜘蛛算法示例)

    以下是一个使用`htmlcleaner`库将HTML清洗成XML并进行解析的示例： ```java import org.htmlcleaner.CleanerProperties; import org.htmlcleaner.HtmlCleaner; import org.htmlcleaner.TagNode; public class ...

    展示Html : 文本转HTML格式 解决Textarea换行问题

    标签包括“源码”和“工具”，这表明解决方案可能涉及到代码示例或使用特定的工具来实现转换。例如，可能是使用JavaScript、PHP、Python等编程语言的函数，或者是一些辅助工具，如正则表达式、HTML清理库等。 在...

    HTML抽取器Xsoup.zip

    示例代码： @Test public void testSelect() { String html = "&lt;html&gt;&lt;div&gt;&lt;a href='https://github.com'&gt;github.com&lt;/a&gt;&lt;/div&gt;&lt;/html&gt;"; Document document = Jsoup.parse(html); String ...

    html转word,pdf

    在"html2pdf中文乱码解决方案.txt"文件中，可能包含了使用pd4ml进行HTML到PDF转换时解决中文乱码的具体步骤和代码示例。这个文本文件可能详细描述了如何设置正确的字符集、引入支持中文的字体，以及如何处理可能影响...

    xmlworker 中文PDF导出插件

    XMLWorker通过结合了HTMLCleaner和TagWorkerFactory的功能，能够理解和解析HTML和CSS，并将其转换为PDF元素。 2. HTML和CSS支持： XMLWorker支持HTML5和CSS3标准，这意味着它可以处理复杂的布局和样式，包括字体、...

    Java正则表达式如何匹配特定html标签内的内容

    因此，当处理复杂的HTML文档时，使用专门的HTML解析库（如Jsoup或HTMLCleaner）是更好的选择，它们能够更加准确地解析HTML文档，并且可以避免正则表达式中可能出现的种种问题。 总结来说，虽然Java正则表达式能够...

Magicbox
Global site tag (gtag.js) - Google Analytics