在編程的時候或者寫網絡爬蟲的時候，經常需要對html進行解析，抽取其中有用的數據。一款好的工具是特別有用的，能提供很多的幫助，網上有很多這樣的工具，比如：htmlcleaner、htmlparser
經使用比較：感覺 htmlcleaner 比 htmlparser 好用，尤其是htmlcleaner 的 xpath特好用。
下面針對htmlcleaner進行舉例說明，需求為：取出title，name=”my_href” 的鏈接，div的class=”d_1″下的所有li內容。
一、HtmlCleaner使用：
1、HtmlCleaner
HtmlCleaner是一個開源的Java語言的Html文檔解析器。HtmlCleaner能夠重新整理HTML文檔的每個元素并生成結構良好(Well-Formed)的 HTML 文檔。默認它遵循的規則是類似于大部份web瀏覽器為創文檔對象模型所使用的規則。然而，用戶可以提供自定義tag和規則組來進行過濾和匹配。
主頁地址：http://htmlcleaner.sourceforge.net/
2、基本示例，在wikipedia中抓取機場信息
html-clean-demo.html
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
|
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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
|
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); //標題 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(" text="+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(" href="+n.getAttributeByName("href")+", text="+n.getText()); } }} |
cleaner.clean()中的參數，可以是文件，可以是url，可以是字符串內容。比較常用的應該是evaluateXPath、 getElementsByAttValue、getElementsByName方法了。另外說明下，htmlcleaner 對不規范的html兼容性比較好。
在wikipedia中抓取機場信息
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
|
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 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); } } } } }} |
二、XPath初探
1、XPath簡介：
XPath 是一門在 XML 文檔中查找信息的語言。XPath 可用來在 XML 文檔中對元素和屬性進行遍歷。
2、XPath節點選取
XPath 使用路徑表達式在 XML 文檔中選取節點。節點是通過沿著路徑或者 step 來選取的。
下面列出了最有用的路徑表達式：
|
表達式 |
描述 |
|---|---|
|
nodename |
選取此節點的所有子節點。 |
|
/ |
從根節點選取。 |
|
// |
從匹配選擇的當前節點選擇文檔中的節點，而不考慮它們的位置。 |
|
. |
選取當前節點。 |
|
.. |
選取當前節點的父節點。 |
|
@ |
選取屬性。 |
一些常用表達式
|
路徑表達式 |
結果 |
|---|---|
|
/bookstore/book[1] |
選取屬于 bookstore 子元素的第一個 book 元素。 |
|
/bookstore/book[last()] |
選取屬于 bookstore 子元素的最后一個 book 元素。 |
|
/bookstore/book[last()-1] |
選取屬于 bookstore 子元素的倒數第二個 book 元素。 |
|
/bookstore/book[position()<3] |
選取最前面的兩個屬于 bookstore 元素的子元素的 book 元素。 |
|
//title[@lang] |
選取所有擁有名為 lang 的屬性的 title 元素。 |
|
//title[@lang='eng'] |
選取所有 title 元素，且這些元素擁有值為 eng 的 lang 屬性。 |
|
/bookstore/book[price>35.00] |
選取 bookstore 元素的所有 book 元素，且其中的 price 元素的值須大于 35.00。 |
|
/bookstore/book[price>35.00]/title |
選取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值須大于 35.00。 |
