HtmlParser学习系列 -- 学习总结

引入主要包：

? ?htmlparser.jar

?

?

解析HtmlParser的主要步骤：

? ? 解析出html中url

?

?

//Parser parser = new Parser( (HttpURLConnection) (new URL("http://www.google.com")).openConnection() );Parser parser = new Parser();     parser.setEncoding(parser.getEncoding());     parser.setURL("http://www.google.com"); NodeFilter filter = new NodeClassFilter(LinkTag.class);     NodeList list = parser.extractAllNodesThatMatch(filter);     for (int i = 0; i < list.size(); i++) {         LinkTag node = (LinkTag) list.elementAt(i);         System.out.println(node.extractLink());     }

?

?

?

Parser parser = new Parser((HttpURLConnection)(new URL("http://www.google.com")).openConnection()); //设置Parser对象的字符编码,一般与网页的字符编码保持一致 parser.setEncoding("GB2312"); //创建LinkFindingVisitor对象 LinkFindingVisitor lvisitor = new LinkFindingVisitor("http://www.google.com"); //查找http://www.qq.com的链接个数 parser.visitAllNodesWith(lvisitor); System.out.println("网页中包含http://www.google.com的链接个数:"+lvisitor.getCount()); ?

Parser parser = new Parser("d:\\1.html");parser.setEncoding(parser.getEncoding()); NodeFilter filter = new NodeClassFilter(LinkTag.class); NodeList list = parser.extractAllNodesThatMatch(filter); for (int i = 0; i < list.size(); i++) { LinkTag node = (LinkTag) list.elementAt(i); System.out.println(node.extractLink()); }?

?

?

?

HtmlParser自带的Filter：

TagNameFilter 接受所有满足指定Tag名的TagNodes.

?

      TagNameFilter filter = new TagNameFilter("a");      NodeList nodeList = parser.parse(filter);

NodeClassFilter 接受所有接受指定的类的节点.

?

       NodeFilter filter = new NodeClassFilter(LinkTag.class);  //如链接标签       或       NodeFilter filter = new NodeClassFilter(TextNode.class); //如文本标签       NodeList nodeList = parser.parse(filter);       Node[] nodes = nodeList.toNodeArray();  //返回Node[]节点数组的情况       或       NodeClassFilter filter = new NodeClassFilter(TableTag.class);对表格的过滤获取       NodeList nodeList = parser.parse(filter);       TableTag tableTag = (TableTag) nodeList.elementAt(0);       TableRow[] rows = tableTag.getRows();

HasAttributeFilter 接受所有否含有某个属性(还可以设置该属性的值)的节点.

HasChildFilter 接受所有含有子节点符合该Filter的节点.

?

       TagNameFilter filter = new TagNameFilter(tag);       HasChildFilter hasChildFilter = new HasChildFilter(filter);       NodeList nodeList = parser.parse(hasChildFilter);

HasParentFilter 接受所有含有父节点符合该Filter的节点.

?

LinkRegexFilter 接受所有linkTag标签的link值.匹配给定的正则表达式的节点.

LinkStringFilter 接受所有linkTag标签的link值,匹配给定的字符串的节点.

?

AndFilter 相当于一个AND操作符,接受所有同时满足两个Filter的节点.

NotFilter 接受所有不符合Filter的节点.

OrFilter 相当于一个AND操作符,接受所有满足两个Filter中任意一个的节点.

XorFilter 相当于一个XOR操作符,接受所有只满足其中1个Filter的节点.

?

RegexFilter 接受所有满足指定正则表达式的String Nodes.

StringFilter 接受所有满足指定String的String Nodes.

IsEqualFilter 接受所有和某个特定的节点相同的节点.

?

CssSelectorNodeFilter 接受所有支持CSS2选择器的节点.

HasSiblingFilter 接受所有含有兄弟节点符合该Filter的节点.

       TagNameFilter filter = new TagNameFilter(tag);       HasSiblingFilter hasSiblingFilter = new HasSiblingFilter(filter);       NodeList nodeList = parser.parse(hasSiblingFilter);

?

?

Tag类

? ? 主要和NodeClassFilter配合使用

?

Remark：注释,

AppletTag：

BaseHrefTag,：

BodyTag："BODY";//getBody();内部调用额是toPlainTextString();

Bullet："LI"

BulletList："UL","OL"

CompositeTag:

DefinitionList:"DL"

DefinitionListBullet："DD","DT"

Div："DIV"

DoctypeTag,："!DOCTYPE"

FormTag,：

FrameSetTag：

FrameTag：

HeadingTag："H1","H2","H3","H4","H5","H6"

HeadTag："HEAD"

Html："HTML"

ImageTag：

InputTag："INPUT"

JspTag："%","%=","%@"

LabelTag："LABEL"

LinkTag：

MetaTag：

ObjectTag：

OptionTag：

ParagraphTag："P"

ProcessingInstructionTag："?"

ScriptTag,：

SelectTag："SELECT"

Span："SPAN"

StyleTag："STYLE"

TableColumn："TD"

TableHeader："TH"

TableRow："TR"

TableTag："TABLE"

TagNode：

TextareaTag："TEXTAREA"

TitleTag："TITLE"

TextNode：

?

?

Htmlparser结构：

Tag分为简单Tag和复杂Tag

?

?

?

?

参考文献

?

• HTMLParser使用详解? ?中文教程，各种Filter使用代码demo
• htmlparser源码简单分析? 对各个类进行详细中文讲解，当时没有demo