HTML 解析 -- htmlparser 基本使用

1.htmlparser
使用

htmlparser
是一个纯的
java
写的
html
解析的库，
htmlparser
不依赖于其它的
java
库，
htmlparser
主要用于改造

或提取
html
。
htmlparser
能超高速解析
html
，而且不会出错。毫不夸张地说，
htmlparser
就是目前最好的
html
解

析和分析的工具。无论你是想抓取网页数据还是改造
html
的内容，用了
htmlparser
绝对会忍不住称赞。由于
htmlparser
结构设计精良，所以扩展
htmlparser
非常便利。

package com.sjcj.main;

import java.io.BufferedReader;

import java.io.FileNotFoundException;

import java.io.FileReader;

import java.io.IOException;

import org.htmlparser.NodeFilter;

import org.htmlparser.Parser;

import org.htmlparser.filters.TagNameFilter;

import org.htmlparser.tags.LinkTag;

import org.htmlparser.util.NodeList;

import org.htmlparser.util.ParserException;

import org.htmlparser.visitors.HtmlPage;

public class TestHtmlParser {

/**

* 按行读取字符

*/

public static void StringHerf() {

String str = "";

StringBuffer sb = new StringBuffer();

BufferedReader is = null;

try {

is = new BufferedReader(new FileReader(""));

while ((str = is.readLine()) != null) {

sb.append(str);

sb.append("/n");

}

try {

} catch (Exception e) {

e.printStackTrace();

}

} catch (FileNotFoundException e) {

e.printStackTrace();

} catch (IOException e) {

e.printStackTrace();

}

}

/**

* htmlparser取得一段html代码里面所有的链接地址和链接名称

*

* @param html

*/

public static void getHERF(String html) {

// 创建Parser对象根据传给字符串和指定的编码

Parser parser = Parser.createParser(html, "GBK");

// 创建HtmlPage对象HtmlPage(Parser parser)

HtmlPage page = new HtmlPage(parser);

try {

// HtmlPage extends visitor,Apply the given visitor to the
current

// page.

parser.visitAllNodesWith(page);

} catch (ParserException e1) {

e1 = null;

}

// 所有的节点

NodeList nodelist = page.getBody();

// 建立一个节点filter用于过滤节点

NodeFilter filter = new TagNameFilter("A");

// 得到所有过滤后，想要的节点

nodelist = nodelist.extractAllNodesThatMatch(filter, true);

for (int i = 0; i < nodelist.size(); i++) {

LinkTag link = (LinkTag) nodelist.elementAt(i);

// 链接地址

System.out.println(link.getAttribute("href") + "/n");

// 链接名称

System.out.println(link.getStringText());

}

}

/**

* 获取网页标题

*

* @param content

* @throws Exception

*/

public static void getTitle(String content) throws Exception {

Parser myParser;

myParser = Parser.createParser(content, "GBK");

HtmlPage visitor = new HtmlPage(myParser);

myParser.visitAllNodesWith(visitor);

String textInPage = visitor.getTitle();

System.out.println(textInPage);

}

public static void main(String[] args) {

StringHerf();

}

}