笑我痴狂
- 浏览: 283101 次
- 性别:
- 来自: 湖南
-
文章分类
- 全部博客 (120)
- Struts 1.框架 (12)
- Spring框架 (9)
- hibernate框架 (6)
- web 综合 (15)
- Dwr (1)
- struts 2 (19)
- 设计模式 (0)
- lucene (6)
- oracle (3)
- linux (10)
- mysql (4)
- jquery (0)
- AJAX (1)
- javaScript (1)
- J2SE (4)
- IBATIS (3)
- JPA (1)
- Compass (3)
- 报表 (1)
- 任务调度 (1)
- tomcat (3)
- RMI (0)
- JMS (2)
- WebService (2)
- SOAP (0)
- XML (1)
- 多线程 (8)
- 缓存 (2)
- nginx (3)
- mongodb (1)
- ant打包 (0)
最新评论
-
iceman1952：
Hi 你觉得很好的那两三篇 百度文库的链接，能贴一下吗？
内网穿透&UDP打洞 -
ice86rain：
里面貌似没有用到Lucene
Struts2+Hibernate3.2+Spring2.5+Compass整合 -
sgq0085：
写得非常详细 好文章
JMS之ActiveMQ Linux下安装与应用实例 -
強顔歓笶：
JMS之ActiveMQ Linux下安装与应用实例 -
yixiandave：
forcer521 写道不指定所有子目录都在一起的话，这样用源 ...
linux下nginx稳定版1.6.2安装
要解析html页面 就要对html中的标签做处理
先准备几个工具类
接下来看看如何解析html页面
加入htmlparser.jar包
现在可以成功的把html解析为纯文本了
先准备几个工具类
package com.cs.parser.util;
import org.htmlparser.Node;
public class PageContent {
private StringBuffer textBuffer;
private int number;
private Node node;
public Node getNode() {
return node;
}
public void setNode(Node node) {
this.node = node;
}
public int getNumber() {
return number;
}
public void setNumber(int number) {
this.number = number;
}
public StringBuffer getTextBuffer() {
return textBuffer;
}
public void setTextBuffer(StringBuffer textBuffer) {
this.textBuffer = textBuffer;
}
}
package com.cs.parser.util;
public class TableValid {
private int trnum;
private int tdnum;
private int linknum;
private int textnum;
private int scriptnum;
public int getScriptnum() {
return scriptnum;
}
public void setScriptnum(int scriptnum) {
this.scriptnum = scriptnum;
}
public int getLinknum() {
return linknum;
}
public void setLinknum(int linknum) {
this.linknum = linknum;
}
public int getTdnum() {
return tdnum;
}
public void setTdnum(int tdnum) {
this.tdnum = tdnum;
}
public int getTextnum() {
return textnum;
}
public void setTextnum(int textnum) {
this.textnum = textnum;
}
public int getTrnum() {
return trnum;
}
public void setTrnum(int trnum) {
this.trnum = trnum;
}
}
package com.cs.parser.util;
public class TableColumnValid {
int tdNum;
boolean valid;
public int getTdNum() {
return tdNum;
}
public void setTdNum(int tdNum) {
this.tdNum = tdNum;
}
public boolean isValid() {
return valid;
}
public void setValid(boolean valid) {
this.valid = valid;
}
}
接下来看看如何解析html页面
加入htmlparser.jar包
package com.cs;
public interface Parsable {
public String getTitle() ;
public String getContent() ;
public String getSummary() ;
}
package com.cs;
import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.InputStreamReader;
import java.util.ArrayList;
import java.util.Iterator;
import java.util.List;
import org.htmlparser.Node;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.filters.NodeClassFilter;
import org.htmlparser.nodes.TagNode;
import org.htmlparser.nodes.TextNode;
import org.htmlparser.tags.Div;
import org.htmlparser.tags.ImageTag;
import org.htmlparser.tags.LinkTag;
import org.htmlparser.tags.ParagraphTag;
import org.htmlparser.tags.ScriptTag;
import org.htmlparser.tags.SelectTag;
import org.htmlparser.tags.Span;
import org.htmlparser.tags.StyleTag;
import org.htmlparser.tags.TableColumn;
import org.htmlparser.tags.TableHeader;
import org.htmlparser.tags.TableRow;
import org.htmlparser.tags.TableTag;
import org.htmlparser.tags.TitleTag;
import org.htmlparser.util.NodeIterator;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;
import com.cs.parser.util.PageContent;
import com.cs.parser.util.TableColumnValid;
import com.cs.parser.util.TableValid;
public class EasyHtmlParser implements Parsable {
protected static final String lineSign = System.getProperty(
"line.separator");
protected static final int lineSign_size = lineSign.length();
private File file ;
private String content ;
private String summary ;
private String title ;
public static void main(String[] args) {
EasyHtmlParser eParser = new EasyHtmlParser(new File("E:\\EclipseStudyWorkspace\\LuceneParse\\fileSource\\www.htm")) ;
System.out.println("html content : "+eParser.getContent()) ;
}
public EasyHtmlParser(File file) {
this.file = file ;
}
private String getString() {
try {
BufferedReader br = new BufferedReader(new InputStreamReader(new FileInputStream(file))) ;
String html = "" ;
String str = null ;
while ((str = br.readLine())!= null ) {
html += str ;
}
return html ;
} catch (FileNotFoundException e) {
// TODO Auto-generated catch block
e.printStackTrace();
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
return null ;
}
public synchronized String getContent() {
if (content != null ) {
return content ;
}
String html = this.getString() ;
Parser parser = new Parser() ;
try {
parser.setInputHTML(html) ;
for (NodeIterator e = parser.elements(); e.hasMoreNodes();){
Node node = (Node) e.nextNode();
PageContent context = new PageContent();
context.setNumber(0);
context.setTextBuffer(new StringBuffer());
//抓取出内容
extractHtml(node, context, "");
StringBuffer testContext = context.getTextBuffer();
//System.out.println(testContext);
content = testContext.toString() ;
}
if (content == null ) {
content = "" ;
}
if (content.length() < 200) {
summary = content ;
}else {
summary = content.substring(0,200) ;
}
NodeFilter filter = new NodeClassFilter(TitleTag.class) ;
parser.reset() ;
NodeList titleNodes = parser.extractAllNodesThatMatch(filter) ;
if (titleNodes != null && titleNodes.elementAt(0) != null){
title = titleNodes.elementAt(0).toPlainTextString() ;
}else{
title = "" ;
}
/* System.out.println(file.getAbsolutePath()+" "+"title:"+title);
System.out.println(file.getAbsolutePath()+" "+"content:"+content);
System.out.println(file.getAbsolutePath()+" "+"summary:"+summary);
*/
} catch (ParserException e1) {
// TODO Auto-generated catch block
e1.printStackTrace();
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
return content;
}
public String getSummary() {
if (summary != null) {
return summary ;
}
if (content == null ) {
getContent() ;
}
return summary;
}
public String getTitle() {
if (title != null) {
return title ;
}
if (content == null ) {
getContent() ;
}
return "";
}
protected List extractHtml(Node nodeP, PageContent pageContent, String siteUrl) throws Exception {
NodeList nodeList = nodeP.getChildren();
boolean bl = false;
if ((nodeList == null) || (nodeList.size() == 0)) {
if (nodeP instanceof ParagraphTag) {
ArrayList tableList = new ArrayList();
StringBuffer temp = new StringBuffer();
temp.append("<p style=\"TEXT-INDENT: 2em\">");
tableList.add(temp);
temp = new StringBuffer();
temp.append("</p>").append(lineSign);
tableList.add(temp);
return tableList;
}
return null;
}
if ((nodeP instanceof TableTag) || (nodeP instanceof Div)) {
bl = true;
}
if (nodeP instanceof ParagraphTag) {
ArrayList tableList = new ArrayList();
StringBuffer temp = new StringBuffer();
temp.append("<p style=\"TEXT-INDENT: 2em\">");
tableList.add(temp);
extractParagraph(nodeP, siteUrl, tableList);
temp = new StringBuffer();
temp.append("</p>").append(lineSign);
tableList.add(temp);
return tableList;
}
ArrayList tableList = new ArrayList();
try {
for (NodeIterator e = nodeList.elements(); e.hasMoreNodes();) {
Node node = (Node) e.nextNode();
if (node instanceof LinkTag) {
tableList.add(node);
setLinkImg(node, siteUrl);
} else if (node instanceof ImageTag) {
ImageTag img = (ImageTag) node;
if (img.getImageURL().toLowerCase().indexOf("http://") < 0) {
img.setImageURL(siteUrl + img.getImageURL());
} else {
img.setImageURL(img.getImageURL());
}
tableList.add(node);
} else if (node instanceof ScriptTag ||
node instanceof StyleTag || node instanceof SelectTag) {
} else if (node instanceof TextNode) {
if (node.getText().length() > 0) {
StringBuffer temp = new StringBuffer();
String text = collapse(node.getText()
.replaceAll(" ", "")
.replaceAll(" ", ""));
temp.append(text.trim());
tableList.add(temp);
}
} else {
if (node instanceof TableTag || node instanceof Div) {
TableValid tableValid = new TableValid();
isValidTable(node, tableValid);
if (tableValid.getTrnum() > 2) {
tableList.add(node);
continue;
}
}
List tempList = extractHtml(node, pageContent, siteUrl);
if ((tempList != null) && (tempList.size() > 0)) {
Iterator ti = tempList.iterator();
while (ti.hasNext()) {
tableList.add(ti.next());
}
}
}
}
} catch (Exception e) {
return null;
}
if ((tableList != null) && (tableList.size() > 0)) {
if (bl) {
StringBuffer temp = new StringBuffer();
Iterator ti = tableList.iterator();
int wordSize = 0;
StringBuffer node;
int status = 0;
StringBuffer lineStart = new StringBuffer(
"<p style=\"TEXT-INDENT: 2em\">");
StringBuffer lineEnd = new StringBuffer("</p>" + lineSign);
while (ti.hasNext()) {
Object k = ti.next();
if (k instanceof LinkTag) {
if (status == 0) {
temp.append(lineStart);
status = 1;
}
node = new StringBuffer(((LinkTag) k).toHtml());
temp.append(node);
} else if (k instanceof ImageTag) {
if (status == 0) {
temp.append(lineStart);
status = 1;
}
node = new StringBuffer(((ImageTag) k).toHtml());
temp.append(node);
} else if (k instanceof TableTag) {
if (status == 0) {
temp.append(lineStart);
status = 1;
}
node = new StringBuffer(((TableTag) k).toHtml());
temp.append(node);
} else if (k instanceof Div) {
if (status == 0) {
temp.append(lineStart);
status = 1;
}
node = new StringBuffer(((Div) k).toHtml());
temp.append(node);
} else {
node = (StringBuffer) k;
if (status == 0) {
if (node.indexOf("<p") < 0) {
temp.append(lineStart);
temp.append(node);
wordSize = wordSize + node.length();
status = 1;
} else {
temp.append(node);
status = 1;
}
} else if (status == 1) {
if (node.indexOf("</p") < 0) {
if (node.indexOf("<p") < 0) {
temp.append(node);
wordSize = wordSize + node.length();
} else {
temp.append(lineEnd);
temp.append(node);
status = 1;
}
} else {
temp.append(node);
status = 0;
}
}
}
}
if (status == 1) {
temp.append(lineEnd);
}
if (wordSize > pageContent.getNumber()) {
pageContent.setNumber(wordSize);
pageContent.setTextBuffer(temp);
}
return null;
} else {
return tableList;
}
}
return null;
}
/**
* 提取段落中的内容
* @param nodeP
* @param siteUrl
* @param tableList
* @return
*/
private List extractParagraph(Node nodeP, String siteUrl, List tableList) {
NodeList nodeList = nodeP.getChildren();
if ((nodeList == null) || (nodeList.size() == 0)) {
if (nodeP instanceof ParagraphTag) {
StringBuffer temp = new StringBuffer();
temp.append("<p style=\"TEXT-INDENT: 2em\">");
tableList.add(temp);
temp = new StringBuffer();
temp.append("</p>").append(lineSign);
tableList.add(temp);
return tableList;
}
return null;
}
try {
for (NodeIterator e = nodeList.elements(); e.hasMoreNodes();) {
Node node = (Node) e.nextNode();
if (node instanceof ScriptTag || node instanceof StyleTag ||
node instanceof SelectTag) {
} else if (node instanceof LinkTag) {
tableList.add(node);
setLinkImg(node, siteUrl);
} else if (node instanceof ImageTag) {
ImageTag img = (ImageTag) node;
if (img.getImageURL().toLowerCase().indexOf("http://") < 0) {
img.setImageURL(siteUrl + img.getImageURL());
} else {
img.setImageURL(img.getImageURL());
}
tableList.add(node);
} else if (node instanceof TextNode) {
if (node.getText().trim().length() > 0) {
String text = collapse(node.getText()
.replaceAll(" ", "")
.replaceAll(" ", ""));
StringBuffer temp = new StringBuffer();
temp.append(text);
tableList.add(temp);
}
} else if (node instanceof Span) {
StringBuffer spanWord = new StringBuffer();
getSpanWord(node, spanWord);
if ((spanWord != null) && (spanWord.length() > 0)) {
String text = collapse(spanWord.toString()
.replaceAll(" ", "")
.replaceAll(" ", ""));
StringBuffer temp = new StringBuffer();
temp.append(text);
tableList.add(temp);
}
} else if (node instanceof TagNode) {
String tag = node.toHtml();
if (tag.length() <= 10) {
tag = tag.toLowerCase();
if ((tag.indexOf("strong") >= 0) ||
(tag.indexOf("b") >= 0)) {
StringBuffer temp = new StringBuffer();
temp.append(tag);
tableList.add(temp);
}
} else {
if (node instanceof TableTag || node instanceof Div) {
TableValid tableValid = new TableValid();
isValidTable(node, tableValid);
if (tableValid.getTrnum() > 2) {
tableList.add(node);
continue;
}
}
extractParagraph(node, siteUrl, tableList);
}
}
}
} catch (Exception e) {
return null;
}
return tableList;
}
protected void getSpanWord(Node nodeP, StringBuffer spanWord) {
NodeList nodeList = nodeP.getChildren();
try {
for (NodeIterator e = nodeList.elements(); e.hasMoreNodes();) {
Node node = (Node) e.nextNode();
if (node instanceof ScriptTag || node instanceof StyleTag ||
node instanceof SelectTag) {
} else if (node instanceof TextNode) {
spanWord.append(node.getText());
} else if (node instanceof Span) {
getSpanWord(node, spanWord);
} else if (node instanceof ParagraphTag) {
getSpanWord(node, spanWord);
} else if (node instanceof TagNode) {
String tag = node.toHtml().toLowerCase();
if (tag.length() <= 10) {
if ((tag.indexOf("strong") >= 0) ||
(tag.indexOf("b") >= 0)) {
spanWord.append(tag);
}
}
}
}
} catch (Exception e) {
}
return;
}
/**
* 判断TABLE是否是表单
* @param nodeP
* @return
*/
private void isValidTable(Node nodeP, TableValid tableValid) {
NodeList nodeList = nodeP.getChildren();
/**如果该表单没有子节点则返回**/
if ((nodeList == null) || (nodeList.size() == 0)) {
return;
}
try {
for (NodeIterator e = nodeList.elements(); e.hasMoreNodes();) {
Node node = (Node) e.nextNode();
/**如果子节点本身也是表单则返回**/
if (node instanceof TableTag || node instanceof Div) {
return;
} else if (node instanceof ScriptTag ||
node instanceof StyleTag || node instanceof SelectTag) {
return;
} else if (node instanceof TableColumn) {
return;
} else if (node instanceof TableRow) {
TableColumnValid tcValid = new TableColumnValid();
tcValid.setValid(true);
findTD(node, tcValid);
if (tcValid.isValid()) {
if (tcValid.getTdNum() < 2) {
if (tableValid.getTdnum() > 0) {
return;
} else {
continue;
}
} else {
if (tableValid.getTdnum() == 0) {
tableValid.setTdnum(tcValid.getTdNum());
tableValid.setTrnum(tableValid.getTrnum() + 1);
} else {
if (tableValid.getTdnum() == tcValid.getTdNum()) {
tableValid.setTrnum(tableValid.getTrnum() +
1);
} else {
return;
}
}
}
}
} else {
isValidTable(node, tableValid);
}
}
} catch (Exception e) {
return;
}
return;
}
/**
* 判断是否有效TR
* @param nodeP
* @param TcValid
* @return
*/
private void findTD(Node nodeP, TableColumnValid tcValid) {
NodeList nodeList = nodeP.getChildren();
/**如果该表单没有子节点则返回**/
if ((nodeList == null) || (nodeList.size() == 0)) {
return;
}
try {
for (NodeIterator e = nodeList.elements(); e.hasMoreNodes();) {
Node node = (Node) e.nextNode();
/**如果有嵌套表单**/
if (node instanceof TableTag || node instanceof Div ||
node instanceof TableRow ||
node instanceof TableHeader) {
tcValid.setValid(false);
return;
} else if (node instanceof ScriptTag ||
node instanceof StyleTag || node instanceof SelectTag) {
tcValid.setValid(false);
return;
} else if (node instanceof TableColumn) {
tcValid.setTdNum(tcValid.getTdNum() + 1);
} else {
findTD(node, tcValid);
}
}
} catch (Exception e) {
tcValid.setValid(false);
return;
}
return;
}
protected String collapse(String string) {
int chars;
int length;
int state;
char character;
StringBuffer buffer = new StringBuffer();
chars = string.length();
if (0 != chars) {
length = buffer.length();
state = ((0 == length) || (buffer.charAt(length - 1) == ' ') ||
((lineSign_size <= length) &&
buffer.substring(length - lineSign_size, length).equals(lineSign)))
? 0 : 1;
for (int i = 0; i < chars; i++) {
character = string.charAt(i);
switch (character) {
case '\u0020':
case '\u0009':
case '\u000C':
case '\u200B':
case '\u00a0':
case '\r':
case '\n':
if (0 != state) {
state = 1;
}
break;
default:
if (1 == state) {
buffer.append(' ');
}
state = 2;
buffer.append(character);
}
}
}
return buffer.toString();
}
/**
* 设置图象连接
* @param nodeP
* @param siteUrl
*/
private void setLinkImg(Node nodeP, String siteUrl) {
NodeList nodeList = nodeP.getChildren();
try {
for (NodeIterator e = nodeList.elements(); e.hasMoreNodes();) {
Node node = (Node) e.nextNode();
if (node instanceof ImageTag) {
ImageTag img = (ImageTag) node;
if (img.getImageURL().toLowerCase().indexOf("http://") < 0) {
img.setImageURL(siteUrl + img.getImageURL());
} else {
img.setImageURL(img.getImageURL());
}
}
}
} catch (Exception e) {
return;
}
return;
}
}
现在可以成功的把html解析为纯文本了
分享到：
发表评论
-
lucene入门到项目开发
2010-10-10 15:53 3331加入jar包 lucene-core-2.4.0.jar ... -
lucene根据文件类型自动解析的工厂类
2010-10-10 15:22 1422阅读本章之前 请先参考其他几篇解析各类文档的章节 http: ... -
lucene如何解析Doc文档
2010-10-10 15:11 1731加入poi-scratchpad-3.0.2-FINAL-20 ... -
lucene如何解析pdf文档
2010-10-10 15:04 2445XPDF使用文档 XPDF版本 3.0.2 日期 2008-1 ... -
lucene如何解析PPT文档
2010-10-10 14:52 2311加入jar包（poi-3.0.2-FINAL-20080204 ...
相关推荐
这一步可以使用Jsoup或者其他HTML解析库完成，将HTML文本转换成结构化的数据，例如将歌曲名、歌手名等信息抽取出来，并保存为本地的TXT文件，或者直接存储到数据库中，如MySQL或MongoDB，便于后续操作。 接下来是...
在.NET中，可以使用HtmlAgilityPack或AngleSharp等库来解析和操作HTML文档，便于数据抽取。 接下来，我们将讨论如何使用Redis缓存数据库作为中间件。Redis是一个开源的、高性能的键值存储系统，特别适合用于数据...
1. **数据流集成**：Heritrix爬取的网页内容可以被直接送入Lucene进行索引，实现对互联网内容的实时搜索。 2. **深度搜索**：结合Heritrix的爬虫能力，Lucene的搜索引擎可以对互联网上的大量数据进行深度搜索，提高...
抓取到的网页数据通常是非结构化的HTML文档，需要通过网页信息抽取技术将其转换为结构化的数据。这一过程涉及对HTML文档的解析、内容识别以及信息抽取。在新闻垂直搜索引擎的场景下，这一步骤主要包括提取新闻标题、...
这一步骤通常涉及HTML解析和自然语言处理技术，目的是将非结构化的网页文本转换为结构化数据，便于后续的索引和查询。 ##### 3. 中文分词 中文分词是中文信息处理的关键步骤，对于建立有效的中文搜索索引至关重要...
这部分源代码涉及到HTML解析和内容抽取。 通过深入研究这两个项目的源代码，开发者不仅可以理解它们的基本工作原理，还可以学习如何将它们整合到自己的项目中，实现更高效的全文搜索和网络数据抓取。这对于构建大...
3. HTMLFormatter用于将高亮的关键词包裹在特定的HTML标签中，如`<em>`，在网页中呈现为斜体，以吸引用户的注意力。 实现步骤： 1. 创建索引：首先，使用Lucene的Analyzer（这里是IKAnalyzer）对文档内容进行分词，...
- **3.1.11 提取标题**：介绍了如何自动抽取网页的标题信息。 - **3.1.12 提取日期**：探讨了如何从网页中抽取日期信息。 - **3.2 从非HTML文件中提取文本**： - **3.2.1 提取标题的一般方法**：介绍了通用的标题...
### Lucene+Solor知识点概述 #### 一、搜索引擎基础理论 **1.1 Google神话** - **起源与发展：** - Google成立于1998年，由Larry Page和Sergey Brin创立。 - 初期以PageRank算法为核心，有效解决了当时互联网...
3. **半结构化数据**：如XML和HTML文档，既有一定的结构也可以从中抽取纯文本。 全文检索主要用于处理非结构化数据，尤其是文本数据。在全文检索中，系统通过对文档中的词汇进行索引来提高搜索速度和准确性。 ####...
它可以方便地从HTML文档中抽取正文内容。虽然Boilerpipe在这里被使用，但在实际应用中，如果需要更精确的内容抽取，如特定元素的选择，推荐使用jsoup库，它的CSS选择器功能更强大。对于jsoup无法处理的情况，可以...
1. **内容提取**：从HTML文档中抽取纯文本内容，忽略HTML标签、样式和脚本等非文本元素。 2. **预处理**：对提取的文本进行标准化处理，如去除标点符号、数字、停用词，并进行词干提取或词形还原。 3. **特征表示**...
这个`search_engine_html_lunr.zip`文件包含了基于`lunr.js`构建的搜索解决方案，特别优化了对HTML文件的支持，从而能够帮助用户快速准确地在网页内容中查找所需信息。 **lunr.js 概述** `lunr.js` 是由Matt ...
同时，Jsoup还支持CSS选择器，使数据抽取更加便捷。 3. **文本预处理**：在建立索引之前，需要对抓取的文本进行预处理，包括去除HTML标签、转换为小写、停用词过滤、词干提取等。这些步骤有助于减少噪声，提高搜索...
索引器负责对抓取回来的网页进行预处理，包括去除HTML标签、提取关键词等，并将处理后的数据存储为索引文件；检索器则根据用户的查询请求，快速定位到相应的索引文件并返回结果。 ### 2. 垂直搜索引擎的特点与优势 ...
3. **内容解析与抽取**：Heritrix支持多种内容格式，如HTML、PDF、XML等，并能解析这些文件，提取出有用的信息，如文本内容、元数据等。 4. **链接管理**：Heritrix具备强大的链接管理和去重机制，确保不重复抓取同...