JTidy 抽取网页内容

Tidy 是 W3C 用来解析网页的一个软件包，可以方便地将 HTML 文档转换为符合 XML 标准的文档，由于 XML 可以方便地使用 XSLT 技术对内容进行抽取，所以使用 Tidy 配合 XSLT 可以方便地将各种网页的内容抽取出来，保存成我们需要的格式。
通过 JTidy 可以方便地将标准的 HTML 网页转换为 XML 的 DOM 对象，然后，通过 XPaht 和 XSLT 将需要的内容抽取出来。

使用 JTidy 抽取网页内容的代码如下：

package com.tsinghua;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStreamReader;
import java.io.OutputStreamWriter;
import java.util.logging.Level;
import java.util.logging.Logger;
import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;
import javax.xml.parsers.ParserConfigurationException;
import javax.xml.transform.Result;
import javax.xml.transform.Source;
import javax.xml.transform.Templates;
import javax.xml.transform.Transformer;
import javax.xml.transform.TransformerConfigurationException;
import javax.xml.transform.TransformerException;
import javax.xml.transform.TransformerFactory;
import javax.xml.transform.dom.DOMSource;
import javax.xml.transform.stream.StreamResult;
import javax.xml.transform.stream.StreamSource;
import org.w3c.dom.Document;
import org.w3c.dom.Element;
import org.w3c.dom.Node;
import org.w3c.dom.NodeList;
import org.w3c.tidy.Configuration;
import org.w3c.tidy.Tidy;
import org.xml.sax.SAXException;
public class HTMLParserByW3CDOM {
private Templates template;
/*
* 解析网页
* XSLTFileName 用于解析网页的样式表文件名
* HTMLFileName 待解析的网页文件名
* OutputFileName 输出文件名
*/
public void parser(String HTMLFileName, String OutputFileName)
{
if( this.template != null){
Document doc =  this.HTMLToXML( HTMLFileName ); // 解析网页，返回 W3c Document 文档对象
Transformer(doc, OutputFileName);    // 使用样式表转换 Document 为最终结果
}
}

/**
* 解析网页，转换为 W3C Document 文档对象
* @param fileName HTML 网页的文件名
* @return   utf-8 W3C Document 文档对象
*/
private Document HTMLToXML(String fileName) {
Logger log = Logger.getLogger("HTMLToXML");
Document doc = null;
try{
FileInputStream in = new FileInputStream( fileName ); // 打开文件，转换为 UTF-8 编码
InputStreamReader isr = new InputStreamReader(in, "GB2312"); // 源文件编码为 gb2312

File tmpNewFile = File.createTempFile("GB2312",".html"); // 转换后的文件，设定编码为 utf-8
FileOutputStream out = new FileOutputStream( tmpNewFile ); // 需要将文件转换为字符流
OutputStreamWriter osw = new OutputStreamWriter( out , "UTF-8");// 指定目标编码为 utf-8
osw.write("<?xml version=\"1.0\" encoding=\"utf-8\"?>\n");

char[] buffer = new char[10240];      // 文件缓冲区
int len = 0;           // 使用字符读取方式，循环读取源文件内容
while( (len = isr.read(buffer)) !=-1 )     // 转换后写入目标文件中
{
osw.write( buffer, 0, len);
}
osw.close();           // 转换完成
isr.close();
out.close();
in.close();

if( log.isLoggable( Level.INFO)){
log.info("HTML 文档转 UTF-8 编码完成！");
}

//  设置 tidy ，准备转换
Tidy tidy = new Tidy();
tidy.setXmlOut(true);    // 输出格式 xml
tidy.setDropFontTags(true);   // 删除字体节点
tidy.setDropEmptyParas(true);  // 删除空段落
tidy.setFixComments(true);   // 修复注释
tidy.setFixBackslash(true);   // 修复反斜杆
tidy.setMakeClean(true);   // 删除混乱的表示
tidy.setQuoteNbsp(false);   // 将空格输出为
tidy.setQuoteMarks(false);   // 将双引号输出为 "
tidy.setQuoteAmpersand(true);  // 将 & 输出为 &
tidy.setShowWarnings(false);  // 不显示警告信息
tidy.setCharEncoding(Configuration.UTF8); // 文件编码为 UTF8

FileInputStream src = new FileInputStream( tmpNewFile ); //
doc = tidy.parseDOM( src ,null ); // 通过 JTidy 将 HTML 网页解析为
src.close();           // W3C 的 Document 对象
tmpNewFile.delete();         // 删除临时文件

NodeList list = doc.getChildNodes();     // 页面中 DOCTYPE 中可能问题
for(int i=0; i<list.getLength(); i++)     // 删除 DOCTYPE 元素
{
Node node = list.item(i);
if( node.getNodeType() == Node.DOCUMENT_TYPE_NODE) // 查找类型定义节点
{
node.getParentNode().removeChild( node );
if( log.isLoggable( Level.INFO)){
log.info("已经将文档定义节点删除！" );
}
}
}

list = doc.getElementsByTagName("script");    // 脚本中的注释有时有问题
for(int i=0; i<list.getLength(); i++){     // 清理 script 元素
Element script = (Element) list.item(i);
if( script.getFirstChild() != null){
if( log.isLoggable( Level.FINEST)){
log.finest("删除脚本元素: " + script.getFirstChild().getNodeValue());
}
script.removeChild( script.getFirstChild());
}
}

list = doc.getElementsByTagName("span");    // sina 中 span 元素有时有问题
for(int i=0; i<list.getLength(); i++){     // 清理 span 元素
Element span = (Element) list.item(i);
span.getParentNode().removeChild( span );
if( log.isLoggable( Level.FINEST)){
log.finest("删除 span 元素: " );
}

}

list = doc.getElementsByTagName("sohuadcode");   // 清除 sohuadcode 元素
for(int i=0; i<list.getLength(); i++){
Element sohuadcode = (Element) list.item(i);
sohuadcode.getParentNode().removeChild( sohuadcode );
}

if( log.isLoggable( Level.INFO)){
log.info("HTML 文档解析 DOM 完成.");
}
}
catch(Exception e)
{
log.severe(e.getMessage());
e.printStackTrace();
}finally
{

}
return doc;
}

/**
* 解析转换的样式表，保存为模板
* @param xsltFileName  样式表文件名
* @return     样式表模板对象
*/
public Templates setXSLT(String xsltFileName)
{
Logger log = Logger.getLogger( "setXSLT" );
File xsltFile = new File( xsltFileName );
StreamSource xsltSource = new StreamSource( xsltFile );  // 使用 JAXP 标准方法建立样式表的模板对象
TransformerFactory tff = TransformerFactory.newInstance(); // 可以重复利用这个模板
Templates template = null;
try {
template = tff.newTemplates( xsltSource );
if( log.isLoggable( Level.INFO)){
log.info("样式表文件 " + xsltFileName + " 解析完成");
}
} catch (TransformerConfigurationException e) {
log.severe( e.getMessage() );
}
this.template = template;
return template;
}

/**
* 使用样式表转换文档对象，得到最终的结果
* @param doc   文档对象
* @param outFileName 保存转换结果的文件名
*/
private void Transformer(Document doc , String outFileName )
{
Logger log = Logger.getLogger( "Transformer" );
try {
Source source = new DOMSource( doc );

File outFile = new File( outFileName );
Result result = new StreamResult( outFile );

Transformer transformer = template.newTransformer(); // 使用保存的样式表模板对象
transformer.transform(source, result );     // 生成转换器，转换文档对象
if( log.isLoggable( Level.INFO)){
log.info("转换完成, 请查看 " + outFileName + " 文件。");
}
} catch (Exception e) {
log.severe( e.getMessage() );
}
}
}