程式師世界 >> 編程語言 >> JAVA編程 >> 關於JAVA >> htmlcleaner應用辦法及xpath語法初探

htmlcleaner應用辦法及xpath語法初探

編輯：關於JAVA

htmlcleaner應用辦法及xpath語法初探。本站提示廣大學習愛好者：（htmlcleaner應用辦法及xpath語法初探）文章只能為提供參考，不一定能成為您想要的結果。以下是htmlcleaner應用辦法及xpath語法初探正文

在編程的時刻或許寫收集爬蟲的時刻，常常須要對html停止解析，抽取個中有效的數據。一款好的對象是特殊有效的，能供給許多的贊助，網上有許多如許的對象，好比：htmlcleaner、htmlparser

經應用比擬：感到 htmlcleaner 比 htmlparser 好用，特別是htmlcleaner 的 xpath特好用。

上面針對htmlcleaner停止舉例解釋，需求為：掏出title，name=”my_href” 的鏈接，div的class=”d_1″下的一切li內容。

1、HtmlCleaner應用：

1、HtmlCleaner

HtmlCleaner是一個開源的Java說話的Html文檔解析器。HtmlCleaner可以或許從新整頓HTML文檔的每一個元素並生成構造優越(Well-Formed)的 HTML 文檔。默許它遵守的規矩是相似於年夜部分web閱讀器為創文檔對象模子所應用的規矩。但是，用戶可以供給自界說tag和規矩組來停止過濾和婚配。

主頁地址：http://htmlcleaner.sourceforge.net/

下載地址：http://www.jb51.net/softs/364983.html

2、根本示例，在wikipedia中抓取機場信息

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">
	<ul>
		<li>bar </li>
		<li>foo </li>
		<li>gzz </li>
	</ul>
</div>
<div>
	<ul>
		<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 應用示例.
 *
 */
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);	//題目
		if(ns.length > 0) {
			System.out.println("title="+((TagNode)ns[0]).getText());
		}
		System.out.println("ul/li:");
		//按xpath取
		ns = node.evaluateXPath("//div[@class='d_1']//li");
		for(Object on : ns) {
			TagNode n = (TagNode) on;
			System.out.println("\ttext="+n.getText());
		}
		System.out.println("a:");
		//按屬性值取
		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()中的參數，可所以文件，可所以url，可所以字符串內容。比擬經常使用的應當是evaluateXPath、 getElementsByAttValue、getElementsByName辦法了。別的解釋下，htmlcleaner 對不標准的html兼容性比擬好。

在wikipedia中抓取機場信息

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;
/**
 * 用處：TODO
 * 
 * @author bbdtek
 */
public 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[@class='mw-content-ltr']//table[@class='wikitable + sortable']//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);
					}
				}
			}
		}
	}
}

2、XPath初探

1、XPath簡介：

XPath 是一門在 XML 文檔中查找信息的說話。XPath 可用來在 XML 文檔中對元素和屬性停止遍歷。

2、XPath節點拔取

XPath 應用途徑表達式在 XML 文檔當選取節點。節點是經由過程沿著途徑或許 step 來拔取的。

上面列出了最有效的途徑表達式：

表達式描寫 nodename 拔取此節點的一切子節點。 / 從根節點拔取。 // 從婚配選擇確當前節點選擇文檔中的節點，而不斟酌它們的地位。 . 拔取以後節點。 .. 拔取以後節點的父節點。 @ 拔取屬性。

一些經常使用表達式

途徑表達式成果 /bookstore/book[1] 拔取屬於 bookstore 子元素的第一個 book 元素。 /bookstore/book[last()] 拔取屬於 bookstore 子元素的最初一個 book 元素。 /bookstore/book[last()-1] 拔取屬於 bookstore 子元素的倒數第二個 book 元素。 /bookstore/book[position()<3] 拔取最後面的兩個屬於 bookstore 元素的子元素的 book 元素。 //title[@lang] 拔取一切具有名為 lang 的屬性的 title 元素。 //title[@lang='eng'] 拔取一切 title 元素，且這些元素具有值為 eng 的 lang 屬性。 /bookstore/book[price>35.00] 拔取 bookstore 元素的一切 book 元素，且個中的 price 元素的值須年夜於 35.00。 /bookstore/book[price>35.00]/title 拔取 bookstore 元素中的 book 元素的一切 title 元素，且個中的 price 元素的值須年夜於 35.00。

關於JAVA