使用NekoHtml根据div#Id解析htm文档实例

NekoHtml版本：nekohtml-1.9.14
Jar文件：nekohtml.jar；xercesImpl.jar；xml-apis.jar

/**将一个文件夹下的一类html文件解析成同名网页正文文本文件存至另一文件夹**/
public class ParseDir {
	
	private File sourceDir;
	private File targetDir;
	private ParsePage pp;
	
	public void execute(String sourceDir, String targetDir, String ElementId, Boolean addTitle, String chartSet) throws Exception{		
		this.sourceDir = new File(sourceDir);
		this.targetDir = new File(targetDir);
		
		if (!this.targetDir.exists()) this.targetDir.mkdirs();  //目标不存在则新建
		
		File[] files = this.sourceDir.listFiles();
		pp = new ParsePage();
		for (File file : files) {
			String filename = file.getName();	
			if (filename.endsWith(".htm") || filename.endsWith("html")) {  //只解析htm/html页面
				pp.execute(file.getPath(), targetDir + "/"
						+ filename.substring(0, filename.lastIndexOf(".") - 1)
						+ ".txt", ElementId, addTitle, chartSet);
			}
		}
		
	}
	
	public static void main(String[] args) throws Exception {
		ParseDir p = new ParseDir();
		p.execute("E:/", "E:/5", "news_content", true, "utf-8");
	}
}

==============

/**根据divId使用NekoHtml解析单篇文档**/
public class ParsePage {
	private static DOMParser parser;
	
	public ParsePage() throws Exception {
		parser = new DOMParser();
		parser.setProperty(
				"http://cyberneko.org/html/properties/default-encoding",
				"utf-8");
	}

	public void execute(String sourceFilename, String targetFilename, String ElementId, Boolean addTitle, String chartSet) throws Exception {
		Reader r = new InputStreamReader(new FileInputStream(sourceFilename), chartSet); // 显示声明所使用的流编码
		parser.parse(new InputSource(r));
		Document doc = parser.getDocument();

		PrintWriter pw = new PrintWriter(new FileWriter(targetFilename));
		if (addTitle) pw.append(doc.getElementsByTagName("title").item(0).getTextContent() + "\r\n");  //写入标题内容
		pw.append(TextExtractor(doc.getElementById(ElementId)));
		pw.flush();
		pw.close();
	}
	
	public static String TextExtractor(Node root) {
		
		if (root.getNodeType() == Node.TEXT_NODE) {  // 若是文本节点的话，直接返回，并保持原换行格式
			return root.getTextContent().trim() + "\r\n";  
		}
		if (root.getNodeType() == Node.ELEMENT_NODE) {
			Element elmt = (Element) root;
			
			if (elmt.getTagName().equals("STYLE") || elmt.getTagName().equals("SCRIPT")) // 抛弃脚本
				return "";

			NodeList children = elmt.getChildNodes();
			StringBuffer text = new StringBuffer();
			for (int i = 0; i < children.getLength(); i++) {
				text.append(TextExtractor(children.item(i)));
			}
			return text.toString();
		}
		return "";  // 对其它类型的节点，返回空值
	}

}