1.使用htmlparser.jericho方法来实现
2.通过列和行来定位表格元素。获取表格元素
3.可以获取所有的表格。
4.对于表格嵌套的话,可能还需要做相应更改
package com.fresheggs.web;
import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;
import java.util.List;
import net.htmlparser.jericho.Element;
import net.htmlparser.jericho.HTMLElementName;
import net.htmlparser.jericho.Source;
public class TableContentByHtmlParse {
public Element getTableContent(Element element,int rows,int cols)
{
Element resultElement=null;
List<Element> trList=element.findAllElements(HTMLElementName.TR);
if(rows<trList.size())
{
Element trElement=trList.get(rows);
List<Element> tdList=trElement.findAllElements(HTMLElementName.TD);
if(cols<tdList.size())
{
//Element tdElement=tdList.get(cols);
resultElement=tdList.get(cols);
}
}
return resultElement;
}
public static void test(String url)
{
Source source=null;
try
{
source=new Source(new URL(url));
}
catch(MalformedURLException e)
{
e.printStackTrace();
}
catch(IOException e)
{
e.printStackTrace();
}
List<Element> elementList=source.findAllElements(HTMLElementName.TABLE);
for(Element element:elementList)
{
Element currentElement=new TableContentByHtmlParse().getTableContent(element,2,2);
if(currentElement!=null)
System.out.println(currentElement.getContent().toString());
}
}
public static void main(String[] args)
{
test("http://www.akae.cn/study/resourceShareC.html");
}
}
分享到:
相关推荐
以下是一个简单的示例,展示了如何使用jericho HTML Parser读取HTML文件并获取某个元素的文本: ```java import net.htmlparser.jericho.*; public class JerichoExample { public static void main(String[] ...
在实际应用中,Jericho HTML解析器常用于爬虫、网页抓取、内容管理系统、自动化测试等场景,尤其是在需要处理大量不规范网页内容时,它的优势尤为明显。 在集成到Java项目中时,开发者通常会将jar文件添加到项目的...
3. **HTML解析**:Jericho HTML解析器使用了基于事件驱动的模型,它可以解析HTML文档并触发事件,如遇到开始标签、结束标签、文本内容等。这使得开发者可以轻松地处理文档的各个部分,而不必直接操作原始HTML源码。 ...
《使用HtmlParser解析HTML网页内容》 在信息技术领域,HTML(HyperText Markup Language)是用于构建和呈现网页的标准标记语言。然而,对于开发者而言,直接处理HTML文本有时是一项挑战,尤其是当需要从中提取特定...
首先,Jericho Html Parser 的核心类是 `Source`,它负责从URL或字符串中获取HTML文档内容。在解析过程中,`Source`类提供了多种方法来查找和提取HTML标签。如果需要解析文档中的大部分或所有标签,例如在爬虫项目中...
使用这个解析器,开发者可以轻松地实现以下任务: 1. **网页内容提取**:从HTML文档中提取特定的数据,如新闻标题、评论等。 2. **网页抓取**:配合网络爬虫软件,批量下载并解析网页,用于数据分析或建立镜像网站...
jericho库提供了一套方便的API,使得开发者能够更轻松地解析、遍历和修改HTML文档。 **主要特性** 1. **HTML解析**:jericho库基于`BeautifulSoup4`,一个强大的HTML和XML解析库。它能将HTML源代码转换为解析树,...
"tibet-html解析器"是一款专为处理HTML文档而设计的解析工具,它提供了高效且易用的接口,使得开发者能够轻松地解析、操作和理解HTML内容。这款解析器的特点在于其良好的性能和完善的文档支持,使得用户在使用过程中...
对web页面上的信息抽取,一般采基于DOM或SAX的解析方式对信息进行解析。面对非结构化的html,无论使用DOM或SAX,都有其不足之处。本文对比DOM、SAX的解析方式,介绍一种开源的JerichoHTMLParser解析方式,其在对html页面...
开源的特性也意味着没有版权问题,企业可以放心地在商业项目中使用。 ** 应用场景 ** 1. **Web爬虫**:在构建网络爬虫时,需要解析HTML以提取所需信息,Jericho HTML Parser 可以帮助处理复杂和不规则的网页结构。...
与传统的解析方法如SAX和DOM相比,Jericho HTML Parser提供了一种更灵活且易于使用的API,它能够更好地处理HTML的复杂性和不一致性。 SAX(Simple API for XML)是一种事件驱动的解析模型,适用于处理大型XML文档。...
强大的HTML文档解析包。很方便的就能查找标签
A simple but powerful java library allowing analysis and manipulation of parts of an HTML document, including some common server-side tags, while reproducing verbatim any unrecognised or invalid...
2. HTML解析:jericho-html-2.5库能够解析复杂的HTML结构,提取出所需内容,尤其适用于处理非标准的网页格式。 3. 开源组件:如commons-httpclient,用于发送HTTP请求并接收网页内容,这些组件极大地简化了网络通信...
2. HTML解析技术:使用jericho-html-2.5开源组件对HTML文件进行解析,读取WEB页面内容,抓取目标页面的内容。 3. 开源组件应用:commons-httpclient用于读取WEB页面内容,commons-codec和commons-logging用于辅助...
【基于JAVA技术的网页内容智能抓取】是一个利用Java编程语言实现的网页内容抓取系统,它结合了XML解析、HTML解析以及多种开源组件来高效地获取和处理网络上的信息。核心技术和组件包括: 1. **XML解析**:DOM4J被...
- **HTML解析**:Jericho HTML解析器用于解析HTML内容,它能够处理复杂和不规范的HTML页面,提取所需信息。 - **开源组件应用**:如Apache Commons HttpClient用于HTTP通信,提供了一套完整的HTTP客户端接口,可以...