htmlcleaner使用方法及xpath语法初探

2020-03-24 15:47:58

字体：大中小

来源：转载

供稿：网友

在编程的时候或者写网络爬虫的时候，经常需要对html进行解析，抽取其中有用的数据。一款好的工具是特别有用的，能提供很多的帮助，网上有很多这样的工具，比如：htmlcleaner、htmlparser经使用比较：感觉 htmlcleaner 比 htmlparser 好用，尤其是htmlcleaner 的 xpath特好用。下面针对htmlcleaner进行举例说明，需求为：取出title，name=”my_href” 的链接，div的 >一、HtmlCleaner使用：1、HtmlCleanerHtmlCleaner是一个开源的Java语言的Html文档解析器。HtmlCleaner能够重新整理HTML文档的每个元素并生成结构良好(Well-Formed)的 HTML 文档。默认它遵循的规则是类似于大部份web浏览器为创文档对象模型所使用的规则。然而，用户可以提供自定义tag和规则组来进行过滤和匹配。主页地址：http://htmlcleaner.sourceforge.net/下载地址：http://www.phpstudy.net/softs/364983.html
2、基本示例，在wikipedia中抓取机场信息html-clean-demo.html
html-clean-demo.html !DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd " html xmlns = "http://www.w3.org/1999/xhtml " xml:lang = "zh-CN" dir = "ltr" head meta http-equiv = "Content-Type" content = "text/html; charset=GBK" / meta http-equiv = "Content-Language" content = "zh-CN" / title html clean demo /title /head body div class = "d_1" li bar /li li foo /li li gzz /li /ul /div div li a name = "my_href" href = "1.html" text-1 /a /li li a name = "my_href" href = "2.html" text-2 /a /li li a name = "my_href" href = "3.html" text-3 /a /li li a name = "my_href" href = "4.html" text-4 /a /li /ul /div /body /html HtmlCleanerDemo.java
package com.chenlb;import java.io.File;import org.htmlcleaner.HtmlCleaner;import org.htmlcleaner.TagNode; * htmlcleaner 使用示例.public class HtmlCleanerDemo { public static void main(String[] args) throws Exception { HtmlCleaner cleaner = new HtmlCleaner(); TagNode node = cleaner.clean(new File("html/html-clean-demo.html"), "GBK"); //按tag取. Object[] ns = node.getElementsByName("title", true); //标题 if(ns.length 0) { System.out.println("title="+((TagNode)ns[0]).getText()); System.out.println("ul/li:"); //按xpath取 ns = node.evaluateXPath("//div[@ ]//li"); for(Object on : ns) { TagNode n = (TagNode) on; System.out.println("/ttext="+n.getText()); System.out.println("a:"); //按属性值取 ns = node.getElementsByAttValue("name", "my_href", true, true); for(Object on : ns) { TagNode n = (TagNode) on; System.out.println("/thref="+n.getAttributeByName("href")+", text="+n.getText());cleaner.clean()中的参数，可以是文件，可以是url，可以是字符串内容。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。
在wikipedia中抓取机场信息
import java.io.UnsupportedEncodingException;import org.htmlcleaner.HtmlCleaner;import org.htmlcleaner.TagNode;import org.htmlcleaner.XPatherException;import org.slf4j.Logger;import org.slf4j.LoggerFactory;//import com.moore.index.BabyStory;import com.moore.util.HttpClientUtil; * 用途：TODO * @author bbdtekpublic class ParserAirport { private static Logger log = LoggerFactory.getLogger(ParserAirport.class); * @param args * @throws UnsupportedEncodingException * @throws XPatherException public static void main(String[] args) throws UnsupportedEncodingException, XPatherException { String url = "http://zh.wikipedia.org/wiki/%E4%B8%AD%E5%8D%8E%E4%BA%BA%E6%B0%91%E5%85%B1%E5%92%8C%E5%9B%BD%E6%9C%BA%E5%9C%BA%E5%88%97%E8%A1%A8"; String contents = HttpClientUtil.getUtil().getCon(url); HtmlCleaner hc = new HtmlCleaner(); TagNode tn = hc.clean(contents); String xpath = "//div[@ ]//table[@ ]//tbody//tr[@align='right']"; Object[] objarr = null; objarr = tn.evaluateXPath(xpath); if (objarr != null && objarr.length 0) { for (Object obj : objarr) { TagNode tntr = (TagNode) obj; String xptr = "//td[@align='left']//a"; Object[] objarrtr = null; objarrtr = tntr.evaluateXPath(xptr); if (objarrtr != null && objarrtr.length 0) { for (Object obja : objarrtr) { TagNode tna = (TagNode) obja; String str = tna.getText().toString(); log.info(str);}二、XPath初探 1、XPath简介：XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。2、XPath节点选取
XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。下面列出了最有用的路径表达式：
/bookstore/book[position() 3] 选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
/bookstore/book[price 35.00] 选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price 35.00]/title 选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。更多编程语言

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。

上一篇：HTML5离线缓存在tomcat下部署可实现图片flash等离线浏览

下一篇：W!in10IE浏览器无法打开HTML设置IE怎么办