`

htmlparser 去除html标签体(获取body,title纯文本)

    博客分类:
  • HTML
阅读更多

package test;

import java.io.*;

import org.htmlparser.Parser;
import org.htmlparser.visitors.HtmlPage;

class Test {
public static void main(String[] argv) throws IOException, InterruptedException {
   Parser parser;
      String body = "";
      String title = "";
     
   try {
    parser = new Parser("http://www.hao123.com");
      parser.setEncoding("UTF-8");
      HtmlPage htmlpage = new HtmlPage(parser);
      parser.visitAllNodesWith(htmlpage);
      //通过htmlparser 获取body内容
      body = htmlpage.getBody().asString();
      //通过htmlparser 获取title内容
      title =htmlpage.getTitle();
      body = body.replaceAll("[ \\t\\n\\r\\f( |gt) ]+"," ");
      System.out.println(title);
      System.out.println(body);
   } catch (Exception e) {
    // TODO: handle exception
    e.printStackTrace();
   }
}
}

 

//获取源文件

   Parser parser = new Parser(address);
   parser.setEncoding("gbk");
   System.out.println(parser.parse(null).toHtml());

分享到:
评论
Global site tag (gtag.js) - Google Analytics